审计轨迹与可复现性
按需重建过去的任意预测
审计轨迹与可复现性 是 CoddyKit 上的免费 MLOps Academy 课时。 这是第 3 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 MLOps Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 MLOps Academy 课程共包含 4 节课。
什么是审计追踪
审计追踪是一份防篡改记录，记录谁在何时做了什么，因此即使模型决策已经发生很久之后，也仍然可以解释它。🧾
重建任意预测
目标简单但要求严格：给定几个月前生成的预测，您必须重建生成该预测的完全相同的模型和输入。
记录每一次预测
为了日后进行审计，现在就捕获请求。每次调用都保存输入特征、输出和模型版本。
log = {"ts": now(), "model_version": "3",
"inputs": features, "prediction": y}
prediction_store.write(log)固定模型版本
只有预测结果本身对审计毫无用处。始终将模型版本与预测结果一同存储，这样您才能确切知道是哪个模型给出了回答。
从版本追溯到构建
谱系将该版本连接回其构建过程。注册表中的版本指向一个 MLflow 运行，其中保存了创建它所用的数据和代码。
重现运行
借助运行 ID，您可以重建整个环境：检出记录的提交，恢复固定版本的数据，然后重新运行训练。
run = mlflow.get_run(run_id)
commit = run.data.tags["git_commit"]
subprocess.run(["git", "checkout", commit])使日志不可变
可以编辑的审计日志无法证明任何事情。将日志写入仅追加存储，使记录可以添加，但绝不能被悄悄修改。
保留策略不可缺少
确定记录必须保留多长时间。受监管字段通常要求保留多年，因此应有意设置，而不是任其偶然形成。
记录环境
仅有代码并不足够。也要记录已锁定的依赖项，因为不同的库版本可能会悄无声息地改变结果。
mlflow.log_artifact("requirements.txt")默认即可通过审计
关键在于让追踪记录自动生成。每次运行和请求都进行记录时，您就始终可以应对审计，而不必临时手忙脚乱。✅
通过回放进行验证
要证明某个结果，请将记录的输入重新传入重建的模型。输出匹配即可确认该追踪记录确实可复现。
快速检查
想一想，要重建旧预测，您必须记录哪些内容。
总结
您了解了审计追踪记录如何为每次预测记录其版本、以不可变方式写入，并利用谱系完整重现过去的任何结果。✅
用 AI 导师学习 Python — 免费
在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。
- 课程
- 30
- 课程
- 120
常见问题解答
「审计轨迹与可复现性」课时是免费的吗？
是的 — 「审计轨迹与可复现性」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 MLOps Academy 课程的其余内容，请升级到 CoddyKit PRO。 MLOps Academy 课程共包含 4 节课。
「审计轨迹与可复现性」这节课中我会学到什么？
按需重建过去的任意预测 你通过在浏览器中直接运行的动手代码来练习 MLOps Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 MLOps Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 MLOps Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 3 节课，共 4 节。
「审计轨迹与可复现性」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 MLOps Academy 课中编写并运行代码吗？
能。每节 MLOps Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 跟踪从数据到模型的谱系
- 编写模型卡片
- 审计轨迹与可复现性
- 访问控制与合规