訓練與服務偏差（training-serving skew）

一個模型的好壞，終究取決於它受訓的世界與它預測的世界之間的一致程度。訓練與服務偏差，就是當模型在服務時看到的特徵，與它學習時所依據的特徵不同時，悄悄裂開的腐蝕性縫隙——即使兩者名義上是用相同定義計算出來的。模型在離線評估中表現亮眼，到了生產卻令人失望，而指標完全指不出原因，因為輸入本身已在它腳下悄悄移動了。

偏差有幾個不同來源。其一是實作偏差：訓練在資料倉儲上用 Python 計算某個特徵，服務卻用另一種語言重新計算，邊界情況、四捨五入或空值處理有著細微差異。其二是時間偏差：訓練使用的是標籤時刻的值，服務卻只有過時或以不同視窗計算的值，這是標籤洩漏的反向特例。其三是分布偏差：線上的輸入分布單純地不同於訓練樣本。每一種都會在沒有任何程式碼明顯壞掉的情況下，悄悄拉低準確度。

標準的防禦手段是：把特徵只計算一次，並在訓練與服務時都從共用的特徵儲存庫讀取；記錄被服務的特徵值並重播以偵測分歧；以及在兩端都對不變量（範圍、結構描述、缺值率）下斷言。目標是讓單一特徵定義走單一執行路徑，使訓練與服務在結構上就是同一個計算，而非兩份各自實作、只能祈禱彼此一致的版本。