趋近智
生产环境中机器学习模型的监控与管理
章节 1: 生产环境机器学习监控系统要点
监控机器学习模型的独特挑战
监控范围：数据、预测、性能、基础设施
机器学习模型服务水平目标 (SLO)
监控系统的架构模式
将监控融入MLOps生命周期
章节 2: 高级漂移检测技术
基本统计检验用于漂移检测的局限性
多变量数据漂移检测方法
序列分析以加快漂移检测
数据关联性漂移识别策略
运用对抗性验证进行漂移评估
监测嵌入和非结构化数据中的漂移
实施自定义漂移检测逻辑
动手实践：多元漂移的实现
章节 3: 精细性能监控与诊断
选择合适的性能指标
数据切片与分段的性能监控
模型公平性与偏见的监控方法
分析离群值与异常点的影响
性能下降的根本原因分析
运用可解释性方法（SHAP、LIME）进行诊断
实践：借助可解释性诊断性能问题
章节 4: 自动化再训练和模型更新策略
设计再训练触发器：阈值与事件
针对模型再训练的数据策略：窗口、增量与完整数据集
候选模型的自动化验证
在线学习系统对比批量再训练
高级部署模式：金丝雀发布和影子测试
实现自动化回滚机制
实践操作：构建自动化模型再训练触发器
章节 5: 可扩展监控的基础设施和工具
高并发预测服务的日志记录策略
时序数据库在监控指标中的应用
监控流程的分布式架构
与MLOps平台（如Kubeflow、MLflow、SageMaker）的整合
机器学习监控专用工具和服务
构建有效的监控仪表盘和预警
实践：使用MLflow和Grafana设置监控
章节 6: 生产环境中模型治理与合规性管理
高级模型版本管理与血缘追踪
建立预测和模型更新的审计追踪
随时间监控可解释性和可理解性
监控数据中的数据隐私考量
监控系统的访问控制与安全
将监控系统与模型风险管理框架整合
动手实践：实现模型注册表钩子以进行治理
分析离群值与异常点的影响
这部分内容有帮助吗？
- Isolation Forest, Fei Tony Liu, Kai Ming Ting, and Zhi-Hua Zhou, 2008 2008 Eighth IEEE International Conference on Data Mining (IEEE) DOI: 10.1109/ICDM.2008.17 - 介绍Isolation Forest算法的原始论文，该算法用于高效的异常检测，特别适用于高维数据。
- LOF: Identifying Density-Based Local Outliers, Markus M. Breunig, Hans-Peter Kriegel, Raymond T. Ng, Jörg Sander, 2000 Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data (Association for Computing Machinery) DOI: 10.1145/342009.335388 - 定义局部异常因子（LOF）算法的原始论文，这是一种基于密度的局部异常检测方法。
- Anomaly detection: A survey, Varun Chandola, Arindam Banerjee, and Vipin Kumar, 2009 ACM Computing Surveys, Vol. 41 (ACM (Association for Computing Machinery)) DOI: 10.1145/1541880.1541882 - 一篇被广泛引用的调查报告，全面概述了各种异常检测技术，包括统计和基于邻近度的方法。
- Outlier Analysis, Charu C. Aggarwal, 2017 (Springer) DOI: 10.1007/978-3-319-47578-3 - 一本内容全面的教科书，涵盖了广泛的异常值检测方法，包括基于统计、邻近度和学习方法（如自编码器）（第2版）。
- Machine Learning Engineering, Andriy Burkov, 2020 (Papyrus Publishing) - 一本关于构建和部署机器学习系统的实用指南，其中包含与监控生产中的模型性能和数据质量相关的内容。