实验追踪与模型注册：MLflow、W&B 与可复现性工程
没有实验追踪的机器学习项目最终会退化成手工表格与凭记忆复现，本文系统讲解实验追踪的数据模型（Run/参数/指标/产物）、MLflow 的 Tracking 与 Model Registry 架构、W&B 的实时可视化与协作能力、指标与产物管理的工程规范、Optuna/Ray Tune 超参搜索与早停策略、模型注册的版本与阶段流转、可复现性的代码数据环境三要素、实验对比与统计显著性判断，以及与 CI/CD 流水线的集成与生产踩坑清单。
tag
MLflow
共 6 篇文章。
实验管理与可复现：MLflow、版本化与模型注册表
让每一次训练都可复现、可追溯、可对比：MLflow 的 Tracking 与 Projects 核心概念、参数指标产物的规范记录、数据与代码版本化策略、模型注册表与生命周期管理、实验对比与可视化，以及团队协作的落地规范与常见坑。
MLOps 流水线：模型训练、评估与发布的 CI/CD 实践
把 CI/CD 思想引入机器学习交付：训练/评估/注册/发布全链路流水线（Kubeflow/Airflow/MLflow）、模型与数据集版本化、CI 里的数据漂移测试、金丝雀与 A/B 发布、GPU 编排与模型监控回滚。
AI 工程化基础设施：特征平台、模型注册中心与推理流水线
AI 工程化的竞争已从算法创新转向基础设施效率。特征平台解决了训练-服务一致性问题，模型注册中心管控版本与审批，推理流水线实现从数据到预测的全链路自动化。本文深入讲解特征平台（Feast/Tecton）的设计原理、MLflow 模型注册与治理、以及 Kubeflow Pipelines 推理流水线的编排实践，帮助企业构建工业级 ML 基础设施。
MLOps 模型监控与可观测性：从指标采集到告警自治
模型上线后并非一劳永逸——数据分布漂移、概念漂移、模型退化会悄然侵蚀预测质量。本文系统讲解 MLOps 中的模型监控与可观测性体系：从指标采集架构、漂移检测算法、LLM 专项评估，到告警自治与自动回滚策略，帮助团队实现从被动救火到主动防御的运维升级。
12. MLOps 与实验管理
MLOps 工程化实践：MLflow 实验追踪、DVC 数据版本管理、模型注册中心、CI/CD for ML 与自动化流水线设计