https://terms-en.ai-term-hub.com/zh/tags/mlops/Recent content in MLOps on 中文AI术语词典Hugozh-cnSat, 18 Jul 2026 11:44:45 +0000https://terms-en.ai-term-hub.com/zh/terms/observability/Sat, 18 Jul 2026 11:28:49 +0000https://terms-en.ai-term-hub.com/zh/terms/observability/<h2 id="definition">Definition</h2> <p>在人工智能工程中，可观测性指的是通过分析机器学习系统的外部输出来理解其内部状态的能力。它超越了传统的监控，旨在提供对复杂系统运行状况的深入洞察。</p> <h3 id="summary">Summary</h3> <p>可观测性是衡量能否通过日志、指标和追踪等外部输出来推断系统内部状态程度的指标。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>指标</li> <li>日志</li> <li>追踪</li> <li>根本原因分析</li> <li>系统状态推断</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>调试生产环境中的机器学习流水线</li> <li>监控模型性能漂移</li> <li>优化推理延迟</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/monitoring-%E7%9B%91%E6%8E%A7/">monitoring (监控)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/telemetry-%E9%81%A5%E6%B5%8B/">telemetry (遥测)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/distributed_tracing-%E5%88%86%E5%B8%83%E5%BC%8F%E8%BF%BD%E8%B8%AA/">distributed_tracing (分布式追踪)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/ml_ops-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E8%BF%90%E7%BB%B4/">ml_ops (机器学习运维)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/model_registry/Sat, 18 Jul 2026 11:26:37 +0000https://terms-en.ai-term-hub.com/zh/terms/model_registry/<h2 id="definition">Definition</h2> <p>模型注册表是 MLOps 中的关键组件，提供用于存储、版本控制和管理的统一仓库。它使团队能够跟踪模型元数据、性能指标等。</p> <h3 id="summary">Summary</h3> <p>用于在整个机器学习生命周期中跟踪和管理模型的集中式存储和系统。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>版本控制</li> <li>元数据管理</li> <li>生命周期跟踪</li> <li>MLOps</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>跟踪从开发到生产的模型版本</li> <li>审计模型性能和血缘关系</li> <li>促进团队在模型工件上的协作</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/mlflow-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E6%B5%81%E6%B0%B4%E7%BA%BF%E5%B9%B3%E5%8F%B0/">MLflow (机器学习流水线平台)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%A8%A1%E5%9E%8B%E9%83%A8%E7%BD%B2-model-deployment/">模型部署 (Model Deployment)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E7%89%B9%E5%BE%81%E5%AD%98%E5%82%A8-feature-store/">特征存储 (Feature Store)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%8C%81%E7%BB%AD%E9%9B%86%E6%88%90-%E6%8C%81%E7%BB%AD%E4%BA%A4%E4%BB%98-ci-cd/">持续集成/持续交付 (CI/CD)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/life_time_of_correlation/Sat, 18 Jul 2026 11:24:07 +0000https://terms-en.ai-term-hub.com/zh/terms/life_time_of_correlation/<h2 id="definition">Definition</h2> <p>在动态系统和时间序列分析中，相关性寿命衡量两个变量保持显著统计依赖性的持续时间。这一概念对于理解模型随时间推移的性能下降至关重要，特别是在金融、气象和物联网等领域，其中变量之间的关系可能随时间迅速变化。</p> <h3 id="summary">Summary</h3> <p>一种指标，用于估算变量之间的统计关系在因概念漂移或环境变化而衰减之前保持稳定多长时间。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>概念漂移</li> <li>时间序列分析</li> <li>模型衰减</li> <li>统计稳定性</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>金融市场预测建模</li> <li>传感器网络维护计划</li> <li>自适应控制系统</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/concept_drift-%E6%A6%82%E5%BF%B5%E6%BC%82%E7%A7%BB/">concept_drift (概念漂移)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/stationarity-%E5%B9%B3%E7%A8%B3%E6%80%A7/">stationarity (平稳性)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/time_series-%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97/">time_series (时间序列)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/model_retraining-%E6%A8%A1%E5%9E%8B%E9%87%8D%E8%AE%AD%E7%BB%83/">model_retraining (模型重训练)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/last_mile/Sat, 18 Jul 2026 11:23:41 +0000https://terms-en.ai-term-hub.com/zh/terms/last_mile/<h2 id="definition">Definition</h2> <p>&ldquo;最后一公里&quot;问题指的是将模型部署到生产环境中时遇到的挑战，包括与现有基础设施的集成、确保低延迟推理以及处理边缘计算场景。</p> <h3 id="summary">Summary</h3> <p>将AI解决方案从开发环境交付到现实世界运营环境中最终用户的最后阶段。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>模型部署</li> <li>MLOps</li> <li>生产就绪性</li> <li>集成</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>部署推荐引擎</li> <li>集成欺诈检测API</li> <li>边缘AI设备实施</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/model_deployment-%E6%A8%A1%E5%9E%8B%E9%83%A8%E7%BD%B2/">model_deployment (模型部署)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/mlops-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E8%BF%90%E7%BB%B4/">mlops (机器学习运维)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/production_environment-%E7%94%9F%E4%BA%A7%E7%8E%AF%E5%A2%83/">production_environment (生产环境)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/edge_computing-%E8%BE%B9%E7%BC%98%E8%AE%A1%E7%AE%97/">edge_computing (边缘计算)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/feature_store/Sat, 18 Jul 2026 11:17:13 +0000https://terms-en.ai-term-hub.com/zh/terms/feature_store/<h2 id="definition">Definition</h2> <p>特征存储在数据工程和机器学习团队之间起到桥梁作用，为批量训练和实时推理提供统一的特征视图。它通过确保训练时使用的特征与在线推理时使用的特征完全一致，解决了训练-服务偏差问题，并支持特征版本控制和重用。</p> <h3 id="summary">Summary</h3> <p>一个集中式仓库，旨在跨机器学习训练和推理一致地管理、共享和服务特征。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>训练-服务偏差</li> <li>集中式管理</li> <li>特征版本控制</li> <li>MLOps基础设施</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>企业级机器学习平台</li> <li>实时欺诈检测系统</li> <li>协作式模型开发团队</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/mlops-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E8%BF%90%E7%BB%B4/">MLOps (机器学习运维)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/data-pipeline-%E6%95%B0%E6%8D%AE%E7%AE%A1%E9%81%93/">Data Pipeline (数据管道)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/model-serving-%E6%A8%A1%E5%9E%8B%E6%9C%8D%E5%8A%A1/">Model Serving (模型服务)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/feature-engineering-%E7%89%B9%E5%BE%81%E5%B7%A5%E7%A8%8B/">Feature Engineering (特征工程)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/experiment_tracking/Sat, 18 Jul 2026 11:16:49 +0000https://terms-en.ai-term-hub.com/zh/terms/experiment_tracking/<h2 id="definition">Definition</h2> <p>这种做法涉及在训练过程中记录超参数、数据集版本、模型架构和性能指标。它使数据科学家能够比较不同的实验配置。</p> <h3 id="summary">Summary</h3> <p>实验跟踪是系统记录机器学习实验的元数据、指标和工件的过程，以确保可复现性并促进比较。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>可复现性</li> <li>超参数记录</li> <li>工件管理</li> <li>版本控制</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>比较不同超参数设置下的模型性能</li> <li>通过查看记录的指标来调试训练故障</li> <li>与团队成员协作进行共享实验</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/mlflow/">MLflow</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%A8%A1%E5%9E%8B%E6%B3%A8%E5%86%8C%E8%A1%A8/">模型注册表</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E8%B6%85%E5%8F%82%E6%95%B0%E8%B0%83%E4%BC%98/">超参数调优</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%95%B0%E6%8D%AE%E7%89%88%E6%9C%AC%E6%8E%A7%E5%88%B6/">数据版本控制</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/deployazure/Sat, 18 Jul 2026 11:14:15 +0000https://terms-en.ai-term-hub.com/zh/terms/deployazure/<h2 id="definition">Definition</h2> <p>向 Azure 部署涉及利用云原生工具，如 Azure Machine Learning、Azure Kubernetes Service (AKS) 或 Azure Functions，以大规模提供机器学习模型服务。它包括管理计算资源、监控模型性能以及确保可扩展性。</p> <h3 id="summary">Summary</h3> <p>在微软 Azure 云基础设施服务上托管和运行机器学习模型的过程。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>云基础设施</li> <li>模型服务化</li> <li>可扩展性</li> <li>持续集成/持续交付管道</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>用于推理的实时 API 端点</li> <li>大型数据集的批量评分</li> <li>企业级模型管理</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/mlops-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E8%BF%90%E7%BB%B4/">MLOps (机器学习运维)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/azure-ml-studio-azure-ml-%E5%B7%A5%E4%BD%9C%E5%AE%A4/">Azure ML Studio (Azure ML 工作室)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/kubernetes-%E5%AE%B9%E5%99%A8%E7%BC%96%E6%8E%92%E5%BC%95%E6%93%8E/">Kubernetes (容器编排引擎)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/containerization-%E5%AE%B9%E5%99%A8%E5%8C%96/">Containerization (容器化)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/ai_observability/Sat, 18 Jul 2026 11:03:04 +0000https://terms-en.ai-term-hub.com/zh/terms/ai_observability/<h2 id="definition">Definition</h2> <p>AI可观测性将传统的软件监控扩展到解决机器学习系统的独特挑战。它涉及实时跟踪模型性能、数据漂移和推理延迟，从而帮助开发者深入理解黑盒模型的决策过程及其在生产环境中的行为。</p> <h3 id="summary">Summary</h3> <p>通过日志、指标和追踪来监控和理解机器学习系统内部状态的做法。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>数据漂移</li> <li>模型监控</li> <li>遥测</li> <li>调试</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>检测生产模型中的概念漂移</li> <li>排查低置信度预测问题</li> <li>确保AI服务符合服务等级协议(SLA)</li> </ul> <h2 id="code-example">Code Example</h2> <div class="highlight"><pre tabindex="0" style="color:#f8f8f2;background-color:#272822;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-python" data-lang="python"><span style="display:flex;"><span><span style="color:#f92672">import</span> mlflow </span></span><span style="display:flex;"><span> </span></span><span style="display:flex;"><span><span style="color:#75715e"># Log metrics during training</span> </span></span><span style="display:flex;"><span>mlflow<span style="color:#f92672">.</span>log_metric(<span style="color:#e6db74">&#39;accuracy&#39;</span>, <span style="color:#ae81ff">0.95</span>) </span></span><span style="display:flex;"><span>mlflow<span style="color:#f92672">.</span>log_metric(<span style="color:#e6db74">&#39;loss&#39;</span>, <span style="color:#ae81ff">0.05</span>) </span></span><span style="display:flex;"><span> </span></span><span style="display:flex;"><span><span style="color:#75715e"># Track model parameters</span> </span></span><span style="display:flex;"><span>mlflow<span style="color:#f92672">.</span>log_param(<span style="color:#e6db74">&#39;learning_rate&#39;</span>, <span style="color:#ae81ff">0.01</span>) </span></span><span style="display:flex;"><span>mlflow<span style="color:#f92672">.</span>log_param(<span style="color:#e6db74">&#39;epochs&#39;</span>, <span style="color:#ae81ff">10</span>) </span></span></code></pre></div><h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/mlops-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E8%BF%90%E7%BB%B4/">MLOps (机器学习运维)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%A8%A1%E5%9E%8B%E6%BC%82%E7%A7%BB-model-drift/">模型漂移 (Model Drift)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E7%B3%BB%E7%BB%9F%E7%9B%91%E6%8E%A7-system-monitoring/">系统监控 (System Monitoring)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E9%81%A5%E6%B5%8B-telemetry/">遥测 (Telemetry)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/model_serving/Sat, 18 Jul 2026 11:01:05 +0000https://terms-en.ai-term-hub.com/zh/terms/model_serving/<h2 id="definition">Definition</h2> <p>模型服务涉及将静态的训练模型封装在可扩展的基础设施中，以处理传入请求、执行推理并返回结果。关键挑战包括管理延迟、优化吞吐量以及确保高可用性。通过容器化和服务网格技术，模型服务使得AI能力能够以API形式稳定地提供给应用程序使用。</p> <h3 id="summary">Summary</h3> <p>将训练好的机器学习模型部署到生产环境中，以便为最终用户提供预测或生成输出的过程。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>推理</li> <li>延迟优化</li> <li>可扩展性</li> <li>部署</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>实时推荐引擎</li> <li>图像分类API</li> <li>自然语言处理服务</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/inference-%E6%8E%A8%E7%90%86/">Inference (推理)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/deployment-%E9%83%A8%E7%BD%B2/">Deployment (部署)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/microservices-%E5%BE%AE%E6%9C%8D%E5%8A%A1/">Microservices (微服务)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/load-balancing-%E8%B4%9F%E8%BD%BD%E5%9D%87%E8%A1%A1/">Load Balancing (负载均衡)</a></li> </ul>