很多模型死在「实验阶段跑得通，上线却部署不了」。托管 ML 平台的价值，就是把这条路标准化。
标准工作流的六个阶段
- 数据准备：特征工程与特征存储，保证训练/推理特征一致。
- 训练：托管 Notebook 起步，规模化时切换到分布式训练任务。
- 调参：自动超参优化（HPO）替代手工试错。
- 注册：把通过验证的模型登记进模型注册表，带版本与指标。
- 部署：一键部署为在线端点或批量推理。
- 监控：跟踪线上指标与数据漂移，触发再训练。
💡 先打通最小闭环（训练→注册→部署→监控）再谈优化。一开始就追求完美 MLOps，往往迟迟无法上线。