MLOps 的CI/CD VS DevOps 的CI/CD

一、MLOps（机器学习运维） ：MLOps =DevOps +DataOps +ModelOps

使用MLOps应用到端到端、全生命周期的数据+AI/ML运营模型，可以看做是“数据驱动业务”与“AI模型落地”两大流程的集成视图

万能作业流水线

        Organize（管数据）---->Engineer(做特征)---->Science(建模型)--->Deploy（上线）→ Analyze（看效果）

可应用的业务场景：

          1.制造业质量监测

   采集MES传感器-->实时流式处理--->训练缺陷分类模型--->部署在边缘网关--->产线大屏报警

           2.零售智能补货

   POS交易数据（Batch）------>特征聚合 → 销量时序模型 → 每日自动输出补货建议到 ERP。

二、传统的ML交付 vs  MLOps 交付

   传统ML交付：手动jupyter---->手动打包--->手动部署--->人工监控 
（一次部署2-4周）（数据/模型/代码版本错位，无法复现）

   MLOps交付：Git Push触发流水线--->自动训练----> 自动评测--->灰色法棍

（一天内部署N次）  （任意版本三元组可秒级还原）

三、DevOps CI/CD 对于测试人员必备

阶段	功能	工具
代码提交阶段（Pre-CI）	本地钩子 Pre-commit	pre-commit 框架 + black、flake8、pytest
持续集成阶段（CI）	自动单元测试	GitHub Actions / GitLab CI / Jenkins
	代码覆盖率门禁	pytest-cov + codecov
	静态代码扫描	SonarQube、SpotBugs、ESLint
	安全扫描（SAST/DAST）	safe（ python）、npm audit 、ZAP
制品构建阶段（Build）	容器镜像冒烟测试	docker build--->Docker run--->curl/health
部署阶段（CD）	多环境自动部署	Argo CD / GitLab CD / Jenkins X
	数据库 Schema 迁移验证	Flyway / Liquibase + 自写校验 SQL
测试加速阶段（CI-Test）	并行 UI 自动化	playwright test --workers=8
	契约测试（Consumer-Driven Test	Pact JS / Spring Cloud Contract
	性能基线测试	Gatling / k6
上线后阶段（Post-CD）	生产可观测性断言	PromQL + Grafana
	自动回滚与复盘	Argo Rollouts + Flagger + ChatOps

四、MLOps CI/CD  vs   DevOps CI/CD架构 

DevOps CI/CD：完全开源，任选 Jenkins/GitLab CI/GitHub Actions 就能用

MLOps CI/CD：也已开源成熟，MLflow+Kubeflow+DVC+Evidently+Feast 组合就能实现“数据-模型-代码”三元组持续交付