知识图谱
MLOps 机器学习运维
MLOps 将 DevOps 理念引入机器学习，覆盖训练、部署、监控的完整生命周期。
核心
概念
方法
应用
🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
📜
历史MLOps 这个术语在 2018 年才被 Google 正式提出，但概念可以追溯到 2015 年 Google 内部的"ML 系统隐藏技术债"论文。该论文揭示了一个惊人事实：机器学习系统中只有约 5% 的代码是"ML 代码"，其余 95% 是数据管道、特征工程、服务基础设施和监控。这就像一座冰山——模型只是露出水面的尖端，真正庞大复杂的是水面下的工程系统。MLOps 的目标就是管理这 95% 的"隐藏复杂性"。
来源：Sculley et al., "Hidden Technical Debt in Machine Learning Systems", NeurIPS 2015
一句话总结
💡
MLOps 将 DevOps 理念扩展到机器学习全生命周期，管理数据、实验、模型与监控，实现 ML 系统的可靠迭代与部署。
常见误区
这些坑别踩
✗
误区 1
MLOps 就是给模型加 CI/CD。
✓
正确理解
它还涉及数据版本、实验追踪、监控漂移等 ML 特有环节。
✗
误区 2
MLOps 只对大团队有用。
✓
正确理解
任何需要可靠迭代的 ML 项目都能受益，规模决定工具复杂度。
✗
误区 3
模型上线就结束了。
✓
正确理解
上线只是开始，需持续监控漂移和性能并迭代。