機器學習流水線（machine learning pipeline）
/ muh-SHEEN LUR-ning PYPE-line /
機器學習流水線，是把原始資料變成一個能用、已部署的模型，並讓它持續好用的那一整串步驟。流行印象裡，機器學習就是模型「學會」的那一刻，可那個訓練步驟，只是一條長鏈中的一環。把它想成開餐廳：端上桌的那道菜是看得見的部分，可在它背後，是採購食材、備料、烹飪、擺盤，以及事後的洗刷。任何一道工序被跳過或搞砸，整件事就垮了。
典型的各個階段大致是這樣。第一，收集並清洗資料——糾錯、處理缺失值、去重。第二，準備特徵——挑選、變換並縮放模型將要讀取的那些輸入。第三，把資料切分成訓練集、驗證集和測試集，好讓你誠實地調參、公平地評判。第四，訓練模型並調它的超參數。第五，在那份從未碰過的測試集上評估它。第六，部署它，讓它能在即時資料上做預測。第七——初學者會忘掉的一步——監測並維護它，因為世界在漂移，去年還準的模型今年可能就悄悄爛掉了。
有兩條真相賦予了流水線它的分量。第一，在真實專案裡，那些不起眼的前期階段——收集與清洗資料——通常吞掉大半的時間與精力，遠多於建模本身。第二，流水線是一條鏈，而鏈條的強度取決於它最弱的那一環：切分步驟裡的一次資料洩漏，或是某個特徵在訓練時與部署時演算法不同，都能悄無聲息地毀掉一個本來出色的模型。從整條流水線、而不只是模型來思考，正是「一個演示」與「一套人們敢信賴的系統」之間的分水嶺。
搭建一個詐騙偵測器：拉來半年的交易、清掉格式損壞的記錄、造出諸如「相對該客戶平日的消費」之類的特徵、切分成訓練/驗證/測試三份、訓練並調好模型、在留出的測試集上檢驗、把它上線去給即時支付打分，然後逐週盯著它的準確度——因為騙子在不斷改變手法。
訓練只是其中一環；資料準備、評估、部署與監測，才讓整條鏈完整。
現實中的經驗法則：收集與清洗資料，通常比搭模型耗費多得多的精力。一條流水線的可信度，只取決於它最弱的那個階段——訓練與測試資料之間哪怕一次洩漏，都能讓下游的一切作廢。