MLOps 可观测性 👁️

透明系统 - 可复现、可追溯、可监控。

功能

1. MLflow 跟踪 📊

完整的跟踪配置：

cp references/mlflow-tracking.py ../your-project/src/tracking.py

跟踪内容包括：

• 配置参数（params）
• 指标数据（准确率、损失值）
• 模型文件（sklearn/pytorch）
• 数据集信息（数据血缘）
• Git 提交记录（可复现性）

2. 数据漂移检测 📉

使用 Evidently 工具：

from evidently import Report
from evidently.metrics import DataDriftTable

report = Report(metrics=[DataDriftTable()])
report.run(reference_data=train, current_data=prod)

3. 可解释性（SHAP） 🔍

import shap

explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X)
shap.summary_plot(shap_values, X)

快速开始

# 复制跟踪代码
cp references/mlflow-tracking.py ./src/

# 在训练脚本中添加：
# from tracking import setup_tracking, log_training_run

可复现性

# 设置所有随机种子
import random, numpy as np, torch
random.seed(42)
np.random.seed(42)
torch.manual_seed(42)

# 记录 Git 提交哈希
import git
commit = git.Repo().head.commit.hexsha
mlflow.log_param("git_commit", commit)

监控检查清单

• [ ] 随机种子已固定
• [ ] MLflow 跟踪已启用
• [ ] 系统指标已记录
• [ ] 数据漂移检测已配置
• [ ] SHAP 解释结果已保存
• [ ] 告警机制已设置

告警通知

• 本地环境：plyer 通知
• 生产环境：PagerDuty（严重问题） / Slack（警告）

作者

源自 [MLOps 编程课程](https://github.com/MLOps-Courses/mlops-coding-skills)

更新日志

v1.0.0 (2026-02-18)

• 初始 OpenClaw 转换版本
• 添加 MLflow 跟踪代码