AI 平台全流程架构（MLOps）

一句话定位：MLOps 的核心是把”数据标注 → 训练 → 评估 → 部署 → 监控 → 反馈”变成一个闭环流水线，而不是一次性的人工串联，关键能力是可复现、可追溯、可回滚。

1. 全流程六个环节

• 数据标注：原始数据到可训练样本的加工，需要标注质量校验与一致性检查。
• 训练：实验管理（超参、代码版本、数据版本三者绑定），保证任意一次训练可复现。
• 评估：离线基准测试 + 人工评审，作为是否允许上线的门禁（对应 8.7 的评估门禁）。
• 部署：模型打包、灰度发布、多版本并存。
• 监控：线上效果指标（业务指标 + 模型指标）与资源指标（延迟、吞吐、错误率）双线监控。
• 反馈闭环：线上数据/用户反馈回流成为下一轮训练的数据来源，形成”越用越好”的迭代循环。

2. 关键能力：血缘与可追溯

• 模型版本与血缘：任意一个上线模型，要能追溯到”用哪份数据、哪个代码版本、哪套超参训练出来的”，这是排查线上问题（效果突然下降）的前提。
• 实验可复现：同样的代码 + 数据 + 超参，任何人任何时候跑出来的结果应该一致（或在可接受误差内），否则无法信任对比实验的结论。

3. 面试落点

• 能画出这六个环节的闭环图，并指出每个环节最容易出问题的地方（标注质量、训练不可复现、评估门禁形同虚设、监控缺失导致线上问题发现滞后）。
• 可迁移话术：这套闭环和大数据平台的”数据接入 → ETL → 存储 → 查询 → 监控告警”全链路思路是同构的，只是流转的对象从数据变成了模型，多了”训练”和”评估门禁”两个 AI 特有环节。

参考：Google Cloud《MLOps: Continuous delivery and automation pipelines in machine learning》