在识别出性能下降和漂移之后，接下来合乎情理的步骤是更新模型。手动再训练和部署过程通常不足以维护生产环境中可靠的机器学习 (machine learning)系统，因为它们速度慢且可能出错。本章侧重于自动化模型更新周期，以确保及时安全地响应不断变化的情况。

您将学习如何：

• 设计有效的触发器（基于阈值或事件驱动），以便在满足特定条件（例如漂移程度 $d > \theta$ 或性能指标 $m < \phi$）时自动启动再训练流程。
• 比较并选择合适的再训练数据策略，包括使用滑动窗口、增量更新或完整历史数据集。
• 构建自动化验证步骤，以评估新训练的候选模型在影响用户之前的质量和安全性。
• 区分批量再训练方法和持续在线学习系统，了解相关权衡。
• 实施安全的部署模式，例如金丝雀发布和影子测试，以最大程度降低引入新模型版本所带来的风险。
• 开发自动化回滚机制，以便在新部署的模型表现不佳或导致问题时，快速恢复到之前的稳定模型版本。