可重現性：模型、資料與中繼資料的版本管理

為什麼血緣（lineage）是地基

在第一卷你學會訓練模型並評估它。但在生產環境裡，第一個問題很少是「它有多準？」，而是「現在到底是哪一個模型在服務這個請求？我能否從頭重建它？」生產中的模型不是一個檔案，而是三個座標的確定性產物：定義架構與訓練迴圈的程式碼、用來訓練的資料，以及設定（超參數、亂數種子、函式庫版本）。只要遺失任何一個座標，你手上就只剩一個能跑、卻無法解釋、稽核或修復的工件（artifact）。

模型版本管理這門功夫，就是把這三個座標綁在一起，讓每個釋出的模型都帶著完整的來歷（provenance）。它是不起眼卻關鍵的骨幹，讓後面每一章——安全上線、回滾、監控、治理——都成為可能。若無法指名某個「已知良好」的模型，你就無法回滾；若無法比對兩個版本的差異，你就無法除錯一次效能退化；若無法呈現資料血緣，你就無法通過稽核。

為模型工件做版本管理

粗糙的版本管理只是每次有人按下「匯出」就把編號加一。生產級的版本管理則為每個模型計算一個不可變、以內容定址（content-addressed）的身分，並存進模型登錄庫（model registry）——一份目錄，記錄工件、其雜湊值、其訓練執行、其指標，以及它的生命週期階段（測試中、生產、封存）。登錄庫是「什麼可以被部署」的唯一真相來源；服務層永遠只透過登錄庫參照來取用模型，絕不靠臨時的檔案路徑。

關鍵的一步，是讓版本涵蓋輸入，而不只是替輸出貼標籤。一個穩健的版本鍵（version key）是對（程式碼提交 + 資料快照 id + 設定）取雜湊。兩次具有相同鍵的訓練必須產出相同的模型；若沒有，代表存在隱藏的非確定性（未設種子的洗牌、非確定性的 GPU 核心、資料載入的競態條件）——你必須把它揪出來，因為你看不見的非確定性，就是你無法除錯的非確定性。

v = H\big(\,\text{commit} \,\Vert\, \text{snapshot} \,\Vert\, \mathrm{canon}(\text{config})\,\big)

内容寻址的版本键：对代码提交、数据快照与规范化配置取哈希，使相同输入坍缩为同一标识。

version_key = sha256(
  code_commit_sha +
  dataset.snapshot_id +
  canonical_json(config)        # sorted keys, fixed float fmt
)
registry.register(
  artifact=model_bytes,
  key=version_key,
  metrics={'auc': 0.94, 'val_loss': 0.21},
  lineage={'data': dataset.snapshot_id,
           'code': code_commit_sha},
  stage='staging')

以內容定址的版本鍵，把程式碼、資料與設定綁定到工件上。

為資料做版本管理

程式碼的版本管理已是解決的問題；資料的版本管理才是團隊默默翻車的地方。資料集龐大、易變，又不斷被追加。資料版本控制（data version control）給你 git 給程式碼的同等保證：一個不可變的快照 id，精確指名所用的列與檔案，卻不必到處搬動 TB 級資料。標準技巧是在類 git 的中繼資料中為指標與雜湊值做版本控制，而龐大的位元組存放在物件儲存中，並以內容雜湊去重。

為資料集做快照：對檔案清單（路徑 → blob 雜湊）計算內容雜湊，並把它凍結為一個快照 id。
只儲存有變動的 blob；未變動的檔案在各快照間共用，因此一次小追加只花很少成本。
在每次訓練執行的血緣紀錄中參照快照 id（絕不用可變的 'latest' 路徑）。
數月後重新解析同一快照，必須回傳位元級相同的資料——這就是那份契約。

版本化的資料還讓你能比對資料集：當上週的模型贏過這週的，最常見的元兇是一次無聲的資料變動——某批重新標註、某個特徵欄被刪、上游的結構描述（schema）遷移。有了快照，你回答「資料變了什麼？」就能像回答「程式碼變了什麼？」一樣俐落。

中繼資料庫：紀錄的權威來源

版本管理會產生事實——執行、參數、工件、指標、血緣邊。機器學習中繼資料追蹤（ML metadata tracking）就是儲存這些事實與其間關係的可查詢資料庫，把一堆檔案變成一張你能盤問的圖（graph）。它把你在第一卷見過的實驗追蹤（experiment tracking），從「我訓練曲線的儀表板」一般化為「機器學習系統曾產出的一切的稽核級帳本」。

正是這張圖讓棘手的問題變得便宜：「有哪些模型用了我們現在因隱私必須刪除的那份資料集？」只是一次從資料節點到所有下游模型節點的圖遍歷。沒有這張圖，它就會變成合規大限將至時、慌亂的試算表考古挖掘。

\mathrm{Downstream}(d)=\{\,m\in V_{\text{model}}\;:\;d \rightsquigarrow m\,\}

把隐私查询化为图可达性：从某数据节点可达的每个模型节点，都是它的下游血缘。

用 CI/CD 把一切串起來

可重現性唯有自動化才算真實。機器學習的 CI/CD把版本管理的紀律變成管線關卡：一次提交觸發一條訓練管線（training pipeline），它釘住資料快照、計算版本鍵、登錄工件、跑完評估套件，唯有通過門檻才把模型升級到「測試中」階段。升級由人核可；管線則強制：任何未版本化的東西都絕不可能抵達生產。

相對於第一卷的心態轉變在於：模型不再是你工作的產出，而是血緣圖中一個不可變、有名字的節點，後面整套維運堆疊——上線、監控、治理——終其一生都會以名字參照它。把這層做對，下游一切都變得可處理。下一篇將從單次訓練執行，往上長成一條會持續重訓的管線。