為什麼需要 MLOps：
模型會過期
模型很少「壞掉」。它不會當機、不會噴錯誤、不會在半夜叫醒你。 它只是每天照常回答，而答案越來越常是錯的——因為世界變了，模型沒變。
下面是一顆真的模型的 24 個月：第 0 個月訓練好上線，之後沒人動它。 你可以在任何一個月按下「重訓」，看曲線怎麼跳回去、又怎麼開始往下掉。 多按幾次，你就會問出這堂課要回答的問題：到底該什麼時候按？
每一個點都是實驗場模擬跑出來的實測值（每月 300 位新客戶、6 個特徵， 每次重訓都真的重新訓練一次）。虛線是完全不重訓的下場。
這一課的實驗場是真的 Python（在你的瀏覽器裡跑，不用安裝任何東西）。 首次載入約需 30–60 秒，正好夠你讀完第 1 節。裡面沒有程式碼要讀—— 每一段都有滑桿，拉一下，整整 24 個月的模擬就會重跑一次。
模型上線那天，就開始過期
這個模擬裡有一間公司在做「客戶會不會流失」的預測。第 0 個月訓練好模型、上線， 每個月有 300 位新客戶進來，模型逐一判斷，月底對答案，得到那個月的準確率。 模型完全沒有變——變的是世界：客戶的組成、競爭對手、什麼樣的人會走。
| 上線後 | 那個月的準確率 | 感覺 |
|---|---|---|
| 第 1 個月 | 0.94 | 驗收通過，大家很開心 |
| 第 6 個月 | 0.79 | 有人覺得怪怪的，但說不上來 |
| 第 12 個月 | 0.68 | 業務開始抱怨名單不準 |
| 第 23 個月 | 0.45 | 比丟銅板還差 |
24 個月平均 0.660。而這段期間，系統監控是全綠的：沒有當機、沒有錯誤、 沒有告警。這是機器學習系統最危險的失敗方式——它會安靜地爛掉， 而且通常是業務先發現，不是工程師。
傳統軟體壞掉會噴例外，你馬上知道。模型「壞掉」的樣子是準確率慢慢滑落， 你只有在持續量它的時候才看得見。這句話就是整個 MLOps 的起點。
世界有兩種變法，只有一種會讓準確率掉
「世界變了」其實包含兩件完全不同的事，分清楚它們，你才知道要監控什麼：
| 名字 | 變的是什麼 | 比喻 |
|---|---|---|
| 資料漂移 | 進來的資料變了，但「什麼答案才對」的規則沒變 | 考卷的題型分佈變了（以前一半代數一半幾何，現在九成幾何），解法還是同一套 |
| 概念漂移 | 規則本身變了 | 同一題，標準答案改了 |
實驗場的第 2️⃣ 節讓三個世界跑同一件事——訓練一次、之後不重訓——結果很反直覺：
| 世界 | 24 個月平均準確率 | 進來的資料有沒有變 |
|---|---|---|
| 完全不變 | 0.926 | 沒有 |
| 只有資料漂移 | 0.945 | 變很多（某特徵月均值 -0.08 → +1.56，流失比例 48% → 95%） |
| 概念漂移 | 0.660 | 幾乎沒變 |
- 只有資料漂移時，準確率沒掉（0.945，甚至比世界完全不變的 0.926 還高一點點）。 規則沒變，模型學到的那條界線還是對的，只是進來的人整批移到了它的一側。 準確率沒掉不代表沒事——這個模型正在服務一群訓練時沒見過的客戶。
- 概念漂移時，資料看起來一切正常。你盯著輸入資料看到天亮也看不出異狀， 準確率卻已經腰斬。
這兩件事合起來，決定了監控要怎麼做：資料漂移不需要標籤就看得見 （比對輸入分佈，今天就能算），它是早期警訊；而概念漂移只有拿到標籤、 算出準確率才會現形——所以你必須有一個地方，持續記錄每個月的成績。 沒有那份紀錄，你連「什麼時候開始掉的」都答不出來。
三種策略：不重訓、定期重訓、監控觸發
知道模型會過期之後，只剩一個問題：什麼時候重訓？三種做法， 在實驗場的 3️⃣ 節可以用滑桿即時比較（世界變化速度 0.12 時的實測）：
| 策略 | 做法 | 平均準確率 | 重訓次數 |
|---|---|---|---|
| 不重訓 | 訓練一次，永遠不動 | 0.660 | 0 |
| 定期重訓 | 每 3 個月重訓一次，不管準不準 | 0.900 | 7 |
| 監控觸發 | 準確率掉到 0.85 以下才重訓 | 0.889 | 4 |
定期重訓的成績最高，但監控觸發只用了 4 次重訓就拿到幾乎一樣的結果。 這就是這張表要一起看兩欄的原因：重訓次數就是成本——算力、工程師的時間、 每一次上線都要承擔的風險。
門檻該設多少？把實驗場的滑桿從 0.95 拉到 0.70，你會看到一條很清楚的取捨線：
從 0.85 拉到 0.95，多花 19 次重訓，平均準確率只多買到 2.7 個百分點。 門檻太高＝天天重訓，太低＝掉到很慘才救——中間那個甜蜜點不在這堂課裡， 在你自己的成本表：一次重訓要花多少錢，準確率掉一個百分點你要賠多少。
順帶一提，門檻拉到 0.95 的成績（0.916）跟「每 1 個月定期重訓」一模一樣—— 門檻拉到極限，監控觸發就退化成定期重訓，還多花了監控的力氣。
你不會馬上知道自己錯了
上面的「監控觸發」偷藏了一個很甜的假設：這個月準不準，這個月月底就知道。 真實世界很少這樣。你要等客戶真的解約、等帳單真的逾期、等病人真的回診， 答案才會揭曉——標籤晚幾個月是常態。
而標籤遲到會同時造成兩件事，第二件比第一件更傷：
- 警報遲到：第 12 個月的準確率，你第 15 個月才知道，那時已經爛了三個月。
- 連教材都過期：要重訓，只有「已經有標籤」的資料能用。你手上最新的有標籤資料 也是三個月前的——重訓出來的模型一出生就落後三個月，很快又跌破門檻， 於是再重訓一次。追著自己的影子跑。
| 標籤延遲 | 平均準確率 | 重訓次數 |
|---|---|---|
| 當月就知道 | 0.889 | 4 |
| 晚 3 個月 | 0.851 | 11 |
| 晚 6 個月 | 0.796 | 14 |
又慢又忙：準確率掉了 9 個百分點，重訓次數變成 3.5 倍。 更難堪的是最後一列——延遲 6 個月的監控觸發（0.796）， 已經輸給什麼都不看、每 6 個月固定重訓一次的 0.867，而後者只重訓了 3 次。
所以真實專案的第一個問題往往不是「要用什麼演算法」，而是 「我的標籤多久會到？」——這個數字決定了監控值不值得做、 決定了你是不是該乾脆改用定期重訓，也決定了值不值得花錢買更快的標籤 （人工抽樣標註、找一個提早看得到的代理指標）。
「監控觸發」要真的跑起來，需要五個零件
到這裡，正確答案已經浮出來了：持續看著準確率，該重訓的時候重訓， 而且要確定新模型真的比舊的好。這句話講起來一秒，做起來需要五樣東西—— 每一樣正好是這個系列的一課：
| 你需要 | 沒有它會發生什麼 | 哪一課 |
|---|---|---|
| 每次訓練的設定與指標留得下紀錄、查得回來 | 你不知道是第幾個月開始掉的，也不知道當時用了什麼參數 | 01 MLflow 實驗追蹤 |
| 模型有版本，新舊能比較，能一行換上去、換錯能退回 | 重訓出一顆新模型，卻不敢換，因為不知道它比舊的好還壞 | 02 Models 與 Registry |
| 「取資料 → 訓練 → 評估」是一張看得懂的圖，不是散落的腳本 | 誰先誰後靠人腦記，換人接手就斷掉 | 03 Dagster 軟體定義資產 |
| 有東西會在對的時間按下重訓（排程，或偵測到就觸發） | 監控會響，但沒有人按 | 04 Dagster 自動化 |
| 上線前有品質閘，比舊版差就擋下來 | 重訓反而把線上弄壞——重訓不保證變好 | 05 Dagster × MLflow 管線 |
最後一列特別值得留意，因為這堂課的模擬對重訓太仁慈了：這裡的重訓永遠成功、 永遠拿得到乾淨的新資料、訓出來永遠不比舊的差。真實世界三件事都不保證—— 你在第 6️⃣ 節把世界變化速度拉到 0 就會親眼看到，重訓有時候是純成本， 有時候還會讓成績變差一點。所以完整的自動重訓，最後一步一定是 「先擋下來，通過才換上去」。
「MLOps」這個詞聽起來很大，但它要解決的就是上面這五件事。 接下來五堂課，你會親手把它們一個一個做出來。
換你動手
實驗場的 6️⃣ 節有四根滑桿，把前面所有旋鈕放在一起：世界變化速度、定期重訓的週期、 監控觸發的門檻、標籤延遲。三個挑戰，全部都是「拉到某個值，看表格怎麼變」：
把「世界變得多快」拉到 0（世界完全不變），其他不動。 三條線會變成什麼樣子？三種策略各重訓了幾次、平均準確率是多少？ 誰做了白工？
世界變化速度放回 0.12、標籤延遲 0， 把「監控觸發門檻」從 0.95 一格一格拉到 0.70， 記下每一格的平均準確率與重訓次數。多花 19 次重訓，平均準確率買到幾個百分點？
把「標籤晚幾個月」拉到 6，然後只調「每幾個月定期重訓」， 找出一個能贏過這個監控觸發的設定。怎麼知道你贏了？看表格的兩欄—— 平均準確率更高、重訓次數更少，兩件事要同時成立。 做完再回答自己一個問題：你手上的專案，標籤多久會到？
卡住了？每一題在實驗場末節都有折疊解答——先自己拉一遍，再打開對照。
情境測驗
離開前試試看：下面的情境都真的會遇到。每題選一個你認為的最佳做法，選了馬上看得到解釋。
Q1 情境題
模型上線 8 個月，每月準確率都在 0.93 上下、一點都沒掉；但你發現進來的客戶跟訓練時很不一樣（某個特徵的月平均從 -0.08 一路走到 +1.5，正類比例從 48% 變成 95%）。最合理的處置是？
本課實測：只有資料漂移的世界，24 個月平均準確率是 0.945，甚至比「世界完全不變」的 0.926 還高一點——因為決定答案的規則沒變，模型學到的界線還是對的。所以 C 是過度反應：重訓要花錢、要承擔上線風險，而這裡沒有東西需要被修。但 A 也不對——資料漂移是你不用等標籤就看得到的唯一訊號，而且模型正在服務一群訓練時沒見過的客戶，值得繼續盯。D 更糟：實測把門檻拉到 0.95，重訓次數會從 4 次暴增到 23 次（等於每個月都重訓），平均只多 2.7 個百分點。正確的心態是：資料漂移＝多看一眼；概念漂移（準確率真的掉）＝該動手了。
Q2 情境題
你的專案要等客戶真的解約才知道答案，標籤大約晚 6 個月。團隊提議做「準確率低於門檻就自動重訓」。你的建議是？
實測數字站在 C 這邊：標籤晚 6 個月時，監控觸發的平均準確率是 0.796、重訓 14 次，而「每 6 個月固定重訓一次」是 0.867、只重訓 3 次——又準又便宜。原因是延遲同時傷了兩件事：警報晚 6 個月響，而且重訓只能用 6 個月前的舊資料，模型一出生就落後，很快又跌破門檻。A 的直覺（監控一定比較省）在標籤夠快時成立，在這裡剛好相反。B 會讓情況更糟：門檻越高觸發越頻繁，等於用過期教材一直重訓。D 則是放棄治療——本課第 1 節那條掉到 0.45 的曲線就是它的結局。
Q3 錯誤診斷
你把「世界變得多快」拉到 0（世界完全不變），實驗場給出這張表。為什麼定期重訓做了 7 次，平均準確率反而比完全不重訓低一點？
A 正是這堂課要打破的直覺：重訓不保證變好。世界沒變的時候，新資料裡沒有任何新資訊，重訓只是拿另外 300 筆樣本重擲一次骰子，運氣不好就略差一點（0.922 對 0.926）。C 說的災難性遺忘是持續學習的問題，這裡每次都是從頭訓練，不適用。D 把因果說反了——監控觸發沒被觸發，正是它做對了：它的成績跟不重訓一樣好，而且省下 7 次重訓。真正的教訓有兩個：定期重訓在穩定的世界裡是純成本（這就是監控觸發存在的理由），而「重訓可能更差」也正是每條自動重訓管線都必須有品質閘的原因——新模型要先跟舊的比過，贏了才准上線。
Q4 錯誤診斷
同樣的門檻 0.85、同樣的世界，只有「標籤延遲」不同。標籤越晚到，重訓次數為什麼反而變多？
關鍵在於延遲同時弄慢了警報和教材，而後者才是次數暴增的原因：第 m 個月要重訓，手上最新的有標籤資料是第 m-N 個月的，訓出來的模型等於「N 個月前的最佳解」，放到今天的世界馬上又不夠好，於是很快再觸發一次——追著自己的影子跑。A 不成立，這個模擬每次重訓都只用一個月份的資料，資料量固定。B 說反了：延遲不會改變任何一個月算出來的準確率數值，它只改變你什麼時候看到那個數字。D 是想像出來的 bug，每個月只判斷一次。帶得走的結論：先問標籤多久會到，再決定監控策略。