Definiowanie kryteriów automatycznego wycofania
Wycofaj zmianę, gdy błąd lub opóźnienie przekroczy bezpieczny próg
Definiowanie kryteriów automatycznego wycofania to bezpłatna lekcja MLOps Academy na CoddyKit. To lekcja 3 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej MLOps Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs MLOps Academy zawiera 4 lekcji w sumie.
Dlaczego warto automatyzować wycofywanie
O 3:00 w nocy nikt nie obserwuje pulpitów. Automatyczne wycofanie pozwala systemowi samodzielnie przywrócić poprzedni model, gdy tylko przekroczy on niebezpieczny próg. 🚨
Wybór jasnych zabezpieczeń
Reguła wycofania potrzebuje mierzalnego wskaźnika zabezpieczającego, takiego jak współczynnik błędów lub opóźnienie p99, oraz wartości, która jednoznacznie oznacza problem.
Ustawienie twardego progu
Proszę zamienić niejasne obawy na konkretny limit. Na przykład należy wycofać wdrożenie, jeśli współczynnik błędów canary przekroczy 2% w analizowanym oknie pomiarowym.
ROLLBACK_RULES = {
"error_rate": 0.02,
"p99_latency_ms": 500,
}Porównanie z championem
Same wartości bezwzględne nie wykrywają powolnych regresji. Należy również wycofać wdrożenie, jeśli canary jest wyraźnie gorszy od championa, na przykład ma o 20% większe opóźnienie przy tym samym ruchu.
Wybór okna czasowego
Metryki należy oceniać w kroczącym oknie, na przykład obejmującym ostatnie 5 minut. Jedno pechowe żądanie nigdy nie powinno samo wywołać pełnego wycofania.
Oczekiwanie na wystarczający ruch
Stuprocentowy współczynnik błędów dla trzech żądań nic nie oznacza. Przed zezwoleniem na wycofanie z powodu dowolnej metryki należy wymagać minimalnego rozmiaru próby.
Decyzja w kodzie
Sprawdzenie jest tylko porównaniem: jeśli metryka działająca na produkcji przekroczy limit, należy zwrócić sygnał wycofania, aby orkiestrator mógł zareagować.
def should_rollback(metrics):
return (
metrics["error_rate"] > 0.02
or metrics["p99_latency_ms"] > 500
)Obserwowanie także metryk biznesowych
Model może działać szybko i bez błędów, a mimo to znacząco obniżać konwersje. Należy chronić wyniki, które mają znaczenie, a nie tylko techniczne wskaźniki kondycji.
Tanie wycofywanie
Wycofanie powinno być jednym szybkim i bezpiecznym krokiem: należy skierować ruch z powrotem do sprawdzonego championa. Poprzednią wersję trzeba utrzymywać w gotowości, aby mogła przejąć obsługę.
Zawsze powiadamiaj człowieka
Automatyzacja obsługuje awaryjne zatrzymanie, ale musi także powiadomić zespół. Automatyczne wycofanie powinno zaalarmować kogoś, kto zbada przyczynę źródłową.
Unikanie przełączania tam i z powrotem
Nie należy automatycznie ponownie wdrażać tego samego wadliwego modelu zaraz po wycofaniu. Należy zamrozić wdrożenie do czasu weryfikacji przez człowieka, aby nie przełączało się ono bez końca w obie strony.
Szybki sprawdzian
Jaka decyzja projektowa sprawia, że reguły wycofania pozostają wiarygodne?
Podsumowanie
Dobre kryteria wycofania wykorzystują jasne progi w odpowiednim oknie i przy wystarczającym ruchu, porównują wyniki z championem, powiadamiają człowieka i szybko przywracają poprzednią wersję. ✅
Często zadawane pytania
Czy lekcja „Definiowanie kryteriów automatycznego wycofania” jest bezpłatna?
Tak — pełny tekst „Definiowanie kryteriów automatycznego wycofania” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu MLOps Academy, przejdź na CoddyKit PRO. Kurs MLOps Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Definiowanie kryteriów automatycznego wycofania”?
Wycofaj zmianę, gdy błąd lub opóźnienie przekroczy bezpieczny próg Ćwiczysz MLOps Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć MLOps Academy?
Nie wymagamy żadnego doświadczenia. MLOps Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 3 z 4.
Ile czasu zajmuje lekcja „Definiowanie kryteriów automatycznego wycofania”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji MLOps Academy?
Tak. Każda lekcja MLOps Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Wdrożenia canary: najpierw udostępnij model nielicznym
- Ruch shadow bez wpływu na użytkowników
- Definiowanie kryteriów automatycznego wycofania
- Stopniowe wdrażanie za pomocą Argo Rollouts