機器學習中繼資料追蹤（ML metadata tracking）

每一個機器學習工作流程都會產生一串事實，單看微不足道，合起來卻價值連城：這次執行用了那個資料集版本、這組超參數、跑了那麼久、產出帶有那些指標的這個模型，並被那個部署所採用。機器學習中繼資料追蹤就是記錄這些事實、以及（最關鍵的）它們之間關係的可查詢儲存庫，讓團隊能在數千次執行之間重建、比較與稽核發生過的事，而不必信賴任何人的記憶或一張試算表。

中繼資料儲存庫把實體（資料集、執行、模型、管線、部署）以及連接它們的血緣邊建模，捕捉參數、指標、產物指標、程式碼版本與執行情境。因為可查詢，它能直接回答營運問題：哪些執行用了我們剛發現有缺陷的那個資料集、哪個生產模型校準度最佳、能運作的那次執行與退步的那次之間改了什麼。它支撐實驗比較、再現性、模型登錄與治理，也是持續訓練管線在執行時讀寫的底層基礎。

讓它有價值的紀律，是在工作發生的當下自動且結構化地捕捉，而非事後手動記錄。手寫的中繼資料既不完整又不可信；由管線本身發出、以穩定識別碼把執行連到其確切輸入與輸出的中繼資料，才是把一堆產物變成可導覽、可稽核之歷史的關鍵。