MLOps/LLMOps

当提到“ML监控”时，这可能意味着很多事情。您是否在跟踪服务延迟？模型精度？数据质量？点击推荐栏的访问

想象一下，你训练了一个机器学习模型。 也许，有几个候选模型可供选择。 您在测试集上运行它们并获得了一些

假设您训练了一个预测模型，并将其发布到生产环境。 现在，您依靠它来做出业务决策。您必须维护、重新训练并

您可以查看数据中的历史漂移，以了解您的数据如何变化并选择监控阈值。 这是一个带有 Evidently、

解释的字面意思是解释或展示你自己对某事的理解。 当您创建一个 ML 模型时，它只不过是一种可以学习模式

简介 在许多方面，旅程才刚刚开始。你怎么知道你的模型的行为是否符合你的预期？下周/月/年，当客户（或欺

信任人工智能系统并不容易。考虑到机器学习模型可能失败的各种边缘情况，以及对其预测背后的流程缺乏可见性，

机器学习运营 (MLOps) 是目前最热门的创业投资领域之一，因为虽然构建机器学习模型的最佳实践相对容

在机器学习模型监控的上下文中经常提到数据和概念漂移，但它们到底是什么以及如何检测到它们？此外，考虑到围

对 AI/ML 监控的需求 我们生活在一个前所未有的时代，在短短几周内，全球许多人和企业的情况发生了巨

随着机器学习基础设施的成熟，对模型监控的需求激增。不幸的是，这种不断增长的需求并没有形成一个万无一失的

机器学习 (ML) 模型是非常敏感的软件；它们的成功使用需要仔细监控以确保它们正常工作。 当使用所述模型

机器学习 (ML) 被广泛认为是数字化转型的基石，但 ML 模型最容易受到数字环境变化动态的影响。 ML

一旦在生产环境中部署了机器学习模型，就需要确保它的性能。在本文中，我们建议如何监视您的模型和要使用的开源

使用模型度量堆栈进行模型监视，对于将已部署的ML模型的反馈回路放回模型构建阶段至关重要，这样ML模型可以

要检测到您的机器学习服务没有按预期运行，通常可以创建特定于您的产品的自定义指标。我将向您提出两个有助于设

Aporia 借助 Aporia，数据科学家和 ML 工程师可以轻松地为他们在生产中运行的 ML 模型构

正如我们在文章(机器学习生命周期)中指出的那样，MLOps 系统的生命周期包括各种过程，尽管付出了所有努

如果您迟早将模型部署到生产环境，那么您将开始寻找 ML 模型监控工具。 当您的 ML 模型影响业务时，您

模型监控是指密切跟踪机器学习模型在生产中的性能的过程。 它使您的 AI 团队能够识别和消除各种问题，包括