面向机器学习的持续集成与持续交付（CI/CD for ML）
/ see-eye see-dee for em-el /
面向机器学习的 CI/CD，是把现代软件交付那套流水线纪律，引入到机器学习里来。CI（持续集成）意为每有一处改动，就自动去测它；CD（持续交付／部署）意为把成果自动而安全地推向生产。设想一条工厂流水线，每一步都设着质检关卡：不过关，就不许往前走。CI/CD 正是这样一条自动化的流水线，铺在「从一处代码或数据改动，到一个为用户运行的模型」这条路上。
机器学习添了一道普通软件没有的弯。在常规软件里，同一段代码永远表现一致，所以你测代码就行。可一个机器学习系统的行为，还取决于数据、取决于训练出来的模型——是三个活动的零件，而非一个。于是面向机器学习的 CI/CD，必须测的不只是代码，还有数据质量（输入数据漂移了吗、坏了吗？）、训练过程（它是否还产得出一个好模型？）、以及产出模型的准确度（上线前它够不够格？）。唯有当所有关卡都过了，新模型才获提升。
为什么这很重要：它把模型更新，从一桩冒险的、手工的、易错的事件，变成了例行的、可重复的、可逆的事——正是这一点，让团队能每周交付改进，而不是一年一回、提心吊胆地发一次。诚实的提醒是：自动化会放大你所搭的一切。一条会把「没通过一个糟糕测试」的模型自动发出去的流水线，只会又快又稳地把坏模型发出去。CI/CD 并不替你决定一个模型是否够好——那些质量关卡，得由人去明智地定义。它去掉的是苦力和人的手滑，而不是「对『过关』该意味着什么」做出良好判断的那份必要。
一名开发者推送了新代码。自动地：测试跑起来、新数据被查有无异常、一个模型重训、它的准确度与当前生产模型相比对，唯有当它越过那道杠时才部署——否则流水线停下，并向一个人发出警报。
代码、数据、训练、准确度全都自动设关——唯有过了每一道关的，才获提升。
把部署自动化，并不让一个模型变得可信——它只是让你决定的事发生得更快，无论好坏。要是质量关卡形同虚设，CI/CD 会信心十足地把一个坏模型发出去。判断力，存在于「定义那些关卡」这件事里，而这一件事，是怎么也省不掉的、必须由人来做的。