概述
持续训练可能会添加计划的或事件触发的模型再训练。
深入探讨
机器学习交付流水线加入数据验证、训练、评估、模型打包和部署到软件 CI/CD。持续训练是一个独立的生命周期步骤，会在新数据或其他定义的触发条件下重新训练。模式验证可以捕获结构变化，异常检查可以标记意外分布；但两者都不能保证模型质量。使用 GitOps 对账时，会比较声明的配置与实际状态并应用更改以使其收敛。团队应通过任务特定的评估和回滚计划来把关部署。
现实世界的实施
在训练流水线启动前运行单元和数据质量检查。
在提升之前，将候选模型与评估门槛进行比较。
对模型制品进行版本管理，并记录创建它们所使用的数据和代码。
在计划或已记录的数据事件上触发再训练，然后要求进行部署审查。
机器学习 CI/CD 的未来
流水线工具正在添加自动化，但完全自动的再训练和部署需要对数据质量、模型行为和回滚进行保障。对风险超出已测试自动化策略的更改保持人工审查。
付诸实践
为什么这很重要
- 成本与预算. 多年来，架构决策决定着性能和运营成本。
- 更清晰的判决. 技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
- 质量控制. 更好的工程选择可以减少生产中的可靠性事故。
留意
- 优化一项基准测试可以隐藏更广泛的系统弱点。
- 基础设施和维护成本常常被低估。
- 随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
后续步骤
- 在实施之前定义延迟、质量和成本目标。
- 在实际负载和数据条件下进行基准测试。
- 仪器监控错误、漂移和用户影响。
- 在扩展之前准备回滚和事件响应路径。
不断探索
常见问题
什么是机器学习的 CI/CD？
ML CI/CD 自动化测试并受控交付代码、数据和模型制品。持续训练可能会添加计划的或事件触发的模型再训练。
机器学习的 CI/CD 比传统软件 CI/CD 增加了什么？
除了通常的代码构建和测试步骤之外，ML CI/CD 还必须处理数据验证、模型训练和模型评估。
机器学习管道上下文中的“CT”通常代表什么？
连续训练（CT）是指当新数据到达或检测到漂移时自动重新训练模型。
在提升候选机器学习模型之前，常见的评估门槛是什么？
机器学习交付流水线通常将候选模型与基线进行评估，并应用配置的提升标准；具体的门槛由团队政策决定。
以下哪一个是常用于编排 ML 管道的工具？
Kubeflow Pipelines 与 GitHub Actions、GitLab CI、Jenkins 和 CML 一起广泛用于 ML CI/CD。
为什么 ML 管道可能包含数据模式验证步骤？
验证模式和分布可以尽早捕获不良或转移的数据，从而防止训练和部署有缺陷的模型。