29、机器学习系统的项目后管理

机器学习系统的项目后管理

1. 项目收尾阶段与后续需求

在完成任务 S3.3 和 S3.4 之前，积压了不少审查与响应子任务，预计还需几天时间来处理。团队持续处理冲刺积压中的任务，每日站会简短且切中要点，大家都明确自己的工作并积极推进。Clara 已开始关注 S3.5，并计划在本周末前启动 3.6。

Kate 了解到自行车店的日志记录环境是 Splunk，她迅速搭建了合适的日志记录和监控系统，与模型服务器和数据子系统生成的日志进行对接。Rob 和你则全身心投入与自行车店的支持团队合作，以便他们接收系统。Karima 熟悉了治理流程，Sam 和 Jenn 负责测试工作。计划签署完成，测试框架搭建完毕，很快一切都顺利通过。

Miguel 构建了将系统推向生产环境的发布逻辑，确定了时间和日期，转眼间，你就能在自行车店的内部网上看到仪表盘了。Karima 给了你一个拥抱，Niresh 开心地咧嘴笑。第二天你起草了一封感谢团队的邮件，就在准备发送时，收到了老板的提醒。原来你和团队被自行车店留用了，他们希望有更多成果，并且愿意为此付费！

1.1 项目总结要点

在开发机器学习系统时，有以下要点需要注意：
- 慎重选择所构建的 ML 系统类型，如辅助型、委托型或自主型，并承担相应选择带来的影响，因为不同类型的 ML 驱动系统在非功能和功能需求上存在差异。
- 构建生产数据流和合适的模型服务基础设施，以满足已确定的需求。
- ML 系统的用户界面需求与普通系统不同，要确保系统有适当的检测手段，并为用户提供相关控制功能。
- 提供正确的日志记录、监控和警报基础设施，否则生产支持团队将无法接受该系统投入使用。