理解 MLOps 和 DevOps

DevOps 軟體交付之所以能夠成功，是因為它在實施過程中會形成一個工程化的系統，該系統由版本化的工件、自動化部署、可衡量的流程以及各種防護措施構成，這些措施既能將人從重複性工作中解放出來，又能確保他們始終處於正確的決策循環中。 MLOps（機器學習運維）繼承了這個目標，但它打破了一個核心假設：可部署的工件不再只是程式碼和建置輸出。

規模化之後，這種崩潰會轉化為實際操作層面的問題。流程分岔，工具鏈碎片化，治理也侷限於各系統內部。模型仍在不斷發展，但組織往往難以解釋、重現或持續控制最終進入生產環境的內容。

MLOps 改變了交付方式

在生產級機器學習中，可部署單元是模型、程式碼和資料的組合。這些組件中的每一個都可以獨立變化，並影響最終結果。模型的建置受到資料集版本、特徵轉換、訓練配置和執行環境（例如，容器鏡像摘要和運行時依賴項）的影響。

這引入了一個性質截然不同的治理要求：模型行為不僅取決於版本化程式碼，還取決於版本化資料和統計效能約束。在企業級規模下，推廣的模型應與可複現的溯源記錄（代碼修訂、資料/特徵快照標識符、訓練配置和執行環境）關聯起來。

一旦溯源資訊明確，交付就變得更加可預測。晉升決策可以根據已知輸入進行驗證，回滾可以針對特定狀態，審計也可以從調查轉變為基於證據的查詢。

大規模碎片化現象發生的可能性增加。

由於團隊使用不同的工具和模式來建立流程，因此出現差異是不可避免的。每個實作都是獨立運作的，而整個組織內的系統交付一致性就會下降。

這種碎片化會引發系統性問題。由於每個流程都遵循自身的邏輯，治理方式也隨之分化。隨著證據在不同系統間分散，可審計性降低；而隨著策略執行在不同環境中不一致，營運風險也隨之增加。僅僅標準化工具往往無法解決治理偏差問題，除非交付治理方式也實現標準化。

自動化必須在決策邊界處受到控制。

自動化提高了速度。但在 MLOps 中，它也增加了風險。即使管線執行正確，仍然可能產生不應該被提升的模型。這就在整個生命週期中設定了決策邊界。

資料準備需要根據模式和品質預期進行驗證。模型評估需要與基線和閾值進行比較。生產環境上線會帶來業務和合規風險，這些風險必須明確接受。

執行過程實現自動化，但進度仍取決於具體情況。編排系統運行管線，而控制層則負責判斷結果是否可接受。這種分離機制使組織能夠在不影響決策一致性的前提下擴展執行規模。否則，自動化非但無法消除不一致性，反而會加劇不一致性。

執行引擎針對編排進行了最佳化，而非治理。

Apache Airflow之所以高效，是因為它提供了確定性的編排。它以透明且可重複的方式定義任務、依賴關係、重試機制和調度。這使其非常適合協調資料管道和訓練工作流程。其限制出現在交付環節，此時編排結束，治理開始。

企業級機器學習交付需要標準化的發布流程、嚴格的審批程序、可追溯的證據、環境控制以及跨多個系統的協調。這些要求定義了變更如何在組織內部流轉，而不是任務如何執行。

執行引擎負責協調工作並執行任務層級檢查，但它們並未提供企業級的晉升決策、審批和證據管理。這就形成了一個雙層模型：執行層負責協調，而控制層負責晉升。

Digital.ai Release 此控制平面運作。它規範發布結構，強制執行策略驅動的關卡，並協調跨工具和環境的工作流程。在此模型中，Airflow 運行成為受控發布流程中的一個步驟。系統評估結果並確定是否允許發布。這在不限制管道建構方式的前提下，實現了一致性。

受控模式交付流程

受控交付流程始於明確的發布情境。唯一的識別碼將跨系統的活動關聯起來。策略要求基於風險分類應用，並透過存取和時間控制來定義環境。

執行流程透過精心設計的管線完成。資料處理產生經過驗證的資料集快照。訓練和評估產生候選模型和表現結果。這些輸出結果會被捕獲並與版本發布關聯。

控制平面根據既定標準評估結果。閾值、可復現性要求和策略規則決定是否允許推進。安全性和合規性訊號會被匯總，並在必要時強制執行審批。

Deploy只有當所有條件都滿足時，才會進行調整。從生產到源頭投入與決策，全程可追溯。營運繼續沿用相同的模式，回滾和介入均透過受控工作流程執行。

治理在實務上是什麼樣的

執行行為必須適應環境上下文，確保管線在開發、測試和生產環境中都能正常運作。重試邏輯、回滾路徑和部署策略必須反映每個環境的風險狀況。

安全性必須嵌入到運行時執行中。敏感資料必須透過安全處理機制進行保護，同時不限制操作彈性。環境使用必須主動管理。存取權限、時間安排和可用性必須明確定義並強制執行，以防止意外或未經授權的變更。

決策過程必須完全可追溯。審批、政策評估和例外情況都必須完整記錄，並提供完整的背景資訊。 Digital.ai Release 將這些控制措施作為控制平面的一部分付諸實施。它支援環境感知執行、策略執行、安全變數處理、調度控制以及與企業身分系統一致的角色為基礎的存取控制。

這些機制確保模型推廣得到控制，部署變得可預測，風險變得可衡量和可執行。

MLOps 的成熟度取決於控制能力，而非工具。

MLOps 的定義是能夠以一致、可追溯和可預測的結果來推動模型完成整個生命週期。

這需要一個系統，其中每一次晉升都遵循既定路徑；每一次過渡都經過驗證；每一個決策都被記錄在案。如果沒有這樣的系統，各個流程就會各自獨立運作，管理也會變得被動。有了這樣的系統，交付就會變得系統化且可擴展。

關鍵問題不在於部署了多少工具，而是能否像發布應用程式一樣，自信地發布和回滾模型，同時保持模型、程式碼和資料的完整血緣關係。這種能力取決於控制平面。

意識到這種轉變的組織會從分散的流程轉向受控的交付系統。這正是機器學習能夠在企業級規模下可靠運作的關鍵。