生产环境中的机器学习系统#
预计整个模块学习时长： 70 分钟
学习目标：
认识生产机器学习系统中各个组件的广度。
挑选理想的训练范式（静态训练还是动态训练）。
挑选理想的推理范式（静态推理还是动态推理）。
测试你的机器学习部署。
针对你的生产机器学习系统提出正确的问题。
判断真实世界机器学习模型的缺陷。
监控生产机器学习系统中的各个组件。
先修要求：
本模块假设你已经熟悉以下模块中介绍的概念：
模型只是这套系统里的一小块#
到目前为止，这门课程的重心一直放在“怎么构建机器学习（ML）模型”上。但正如图 1 所暗示的那样，真实世界里的生产机器学习系统是一整套庞大的生态，模型只是其中一个相对很小的组成部分。
在这套真实世界的生产机器学习系统里，真正居于核心位置的确实是机器学习模型代码，可它在系统总代码量中往往只占 5%，甚至更少。这不是印刷错误——它比你直觉中那个比例要小得多。再留意一下就会发现，一个机器学习生产系统在输入数据上投入的资源相当可观：收集数据、验证数据，以及从数据中提取特征。
换句话说，一个模型能不能真正跑起来、跑得稳不稳，考验的从来不只是模型本身，而是这一整套生态。接下来几节我们会把这套生态逐块拆开：静态训练与动态训练怎么选、静态推理与动态推理怎么选、数据该在什么时候做转换、部署之前该怎么测试、上线之后又该怎么盯住整条流水线。