模型上线之后
机器学习生命周期缺掉的那一半。
本库其他几套教的都是「怎么把模型训出来」—— 这一套从模型训完的那一刻开始：怎么安全放出去、怎么知道它还活着、 出问题怎么定位、以及怎么证明「这个提升真的是你带来的」。
🚀 训练完才是开始 🕵️ 直接看最扎心的一章0%
你的进度（在每章末尾点「打卡」，保存在本浏览器里）
🧩 它和其他几套的分工
其他教程停在「模型训好了」，这套从那一刻接手：
ML 基础 05
教你离线怎么评估
「上线后指标变了怎么办」
推荐算法 12
教你 A/B 怎么做
「不能做 A/B 时怎么办」
Kaggle 01
用特征重要性选特征
「它什么时候会骗你」
全景导论 13
LLMOps 讲了个大概
「通用的监控与归因方法」
⬇
这一层就是本教程要补的
- 灰度与回滚
- 训练/推理一致性
- 三层监控
- 数据与概念漂移
- 无标签退化检测
- 特征重要性的坑
- SHAP
- 线上根因排查
- A/B 深水区
- 观察性因果推断
- 重训练策略
- 模型卡与审计
⭐ 三章是高光
第 4 章 · 训练/推理一致性
线上掉点最常见、也最难查的一类原因 —— 它不报错，只是悄悄变差。
线上掉点最常见、也最难查的一类原因 —— 它不报错，只是悄悄变差。
第 7 章 · 没有标签怎么发现退化
真实世界里标签常常要等几周甚至几个月。这段时间你靠什么判断模型还活着？
真实世界里标签常常要等几周甚至几个月。这段时间你靠什么判断模型还活着？
第 13 章 · 不能做 A/B 时
没有实验条件时，怎么从观察数据里得出可信的因果结论。
没有实验条件时，怎么从观察数据里得出可信的因果结论。