回退策略（rollback strategies，機器學習）

無論評估多麼謹慎，有些退步只會在生產中現形，因此決定性的問題不是壞模型會不會上線，而是你能多快把它撤回。機器學習的回退策略，就是那套有計畫、最好是自動化的機制，在生產指標越過危險閾值的當下，把服務還原到一個已知良好的先前模型，把一場潛在事故變成短暫且有界的閃失，而非一場拖長的故障。

一次乾淨的回退立基於三項保證。其一，先前的模型及其完整服務情境——權重、相匹配的特徵定義與前處理程式碼——都已版本化並隨時可重新部署，因為只還原模型卻不還原其特徵管線，會重新引入偏差。其二，一個支援即時流量切換的部署拓撲，藍綠環境或金絲雀路由器，使還原是一次路由變更，而非緩慢的重新部署。其三，自動化觸發器，由護欄指標與異常偵測器在凌晨三點無需等人就觸發回退。三者合起來，讓還原既快、既完整又可靠。

機器學習獨有的微妙之處在於：模型不是系統的全部。只回退權重，卻把一個已遷移的特徵儲存庫、一個已變更的提示或一個上游資料結構描述留在原地，可能讓你比先前更糟。成熟的回退會把模型、它的特徵與它的提示當成一個原子化的可部署單元，並演練還原，好讓它在壓力下真正需要時，是一次例行的按鈕操作，而非臨場的手忙腳亂。