概述
用于机器学习的 CI/CD 扩展了持续集成和持续交付管道，不仅涵盖代码，还涵盖数据和模型。它可以自动执行测试、再培训、验证和部署，因此机器学习系统可以可靠且重复地交付，而不是通过脆弱的手动交接。
用于机器学习的 CI/CD 是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
传统的 CI/CD 在代码更改时自动构建、测试和部署软件。机器学习增加了两个移动部分：数据和经过训练的模型，这意味着新的触发器和新的测试。持续集成步骤可能会对数据处理代码运行单元测试，验证数据集模式，并检查模型训练是否没有错误。持续交付将模型打包（通常作为容器或注册工件）并将其部署在 API 后面。许多团队添加了持续训练（CT）：当新数据到达或监控检测到偏差时自动重新训练的管道。 GitHub Actions、GitLab CI、Jenkins、Kubeflow Pipelines 和 CML 等工具协调这些步骤。其目标与软件相同——快速、安全、可重复的发布——但表面积更大，因为模型的行为取决于数据，而不仅仅是代码。
技术洞察
ML CI/CD 管道通常是阶段的有向图：验证数据、训练、针对保留集和当前生产模型进行评估，以及根据指标阈值进行部署。与经典 CI/CD 的一个关键区别是评估门——模型只有在商定指标上超过基线时才会升级，而不仅仅是测试通过。管道受版本控制，并由代码提交、新数据或计划触发，从而生成可重复、可审核的运行。
掌握机器学习的 CI/CD
用于机器学习的 CI/CD 扩展了持续集成和持续交付管道，不仅涵盖代码，还涵盖数据和模型。它可以自动执行测试、再培训、验证和部署，因此机器学习系统可以可靠且重复地交付，而不是通过脆弱的手动交接。用于机器学习的 CI/CD 是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将机器学习的 CI/CD 视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用 CI/CD 进行机器学习的强大团队根据可靠性和成本优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
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。
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。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
欺诈团队使用 GitHub Actions，因此每次代码提交都会重新训练一个小模型，并在准确性低于当前生产基线时阻止合并。
一家电子商务公司运行着一个 Kubeflow 管道，该管道每晚都会根据新的购买数据重新训练其推荐系统，并且仅在离线指标改善时才会自动部署。
银行的管道对传入数据运行模式验证，如果特征的分布超出设定的阈值，则构建失败。
ML 团队使用 CML 将模型评估报告和比较图直接发布到每个拉取请求中以供审阅者签字。
实施模式
机器学习的 CI/CD 实践
欺诈团队使用 GitHub Actions，因此每次代码提交都会重新训练一个小模型，并在准确性低于当前生产基线时阻止合并。
欺诈团队使用 GitHub Actions，因此每次代码提交都会重新训练一个小模型，并在准确性低于当前生产基线时阻止合并。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
机器学习的 CI/CD 实践
一家电子商务公司运行着一个 Kubeflow 管道，该管道每晚都会根据新的购买数据重新训练其推荐系统，并且仅在离线指标改善时才会自动部署。
一家电子商务公司运行一个 Kubeflow 管道，该管道每晚都会根据新的购买数据重新训练其推荐器，并且仅当离线指标改善时才会自动部署。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
机器学习的 CI/CD 实践
银行的管道对传入数据运行模式验证，如果特征的分布超出设定的阈值，则构建失败。
银行的管道对传入数据运行模式验证，如果功能的分布超出设定的阈值，则构建失败。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
机器学习的 CI/CD 实践
ML 团队使用 CML 将模型评估报告和比较图直接发布到每个拉取请求中以供审阅者签字。
ML 团队使用 CML 将模型评估报告和比较图直接发布到每个拉取请求中以供审阅者签核。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
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。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。