MLOps：模型操作

1）操作在iGaming中的作用

在iGaming中，模型会影响真实货币和监管：RG干扰，反欺诈行为，付款，KYC，限制，发行和推荐。可操作性是具有保证SLO，可追溯性和安全性的可靠预测。

• 可预测的发布和回滚,没有停机时间。
• 数据一致性和离线/在线信息。
• 可观察性：质量，漂移，诚实，隐私。
• 降低TCO：性能，缓存，GPU/CPU混合。
• 合规性（审计/DSAR/法律保留/道德）。

2）伺服架构

Batch（离线）：每晚/每小时得分（限制、细分）。优点：更便宜，更稳定。缺点：没有即时反应。
流（近实时）：处理带有1-5分钟窗口的事件（投注、异常）。
Online （sync API）： <100-300 ms p95用于UX/风险解决方桉、缓存和降级。
混合体："来自batch+在线澄清的基础"（例如：7天的RG风险+在线会话触发器）。

• Ensemble/Stacking在关键路径上带有轻量级的"门模特"。
• 模型故障时的倒退启发式方法。
• 电路断路器和rate限制在峰值或供应商降级时。

3）模型注册和版本控制

模型注册：版本，所有者，发布日期，度量（AUC/PR，校准），dataset_version，feature_set_version，使用限制。
模型卡（Model Card）： 任务、数据/fichi, fairness/privacy分区,风险区,咆哮频率。
发布策略：'MAJOR。MINOR.PATCH'+强制性滚动计划。
Champion-Challenger：与报告并行运行的Challenger；满足条件时自动提升。

4）在线摄影和连贯性

Feature Store：离线（培训）和在线（地狱）店面,拥有严格的合同。
在培训期间进行时间旅行和点对点合作。
偶然的上衣和防漏针。
一致性："阅读您的写作"保修或SLA交付（例如，≤ 60秒）。
特征策略：allow/deny床单，蒙面，令牌化，禁止代理PII。

5）发布策略

影子：所有负荷→冠军；挑战者收到请求的副本，响应不会影响业务。
金丝雀：流量的1-10％ →新版本；KPI/度量比较，按阈值自动回滚。
Blue-Green：两个服务器/端点池；DNS/路由切换。
标志：通过市场/tenant/渠道进行微调。

6）可观察性和异位

• 可靠性：error rate, timeouts, p50/p95/p99 latency, QPS, aturation。
• 数据/fichi：新鲜,完整,分布,异常,跳过,计划漂移。
• 质量：校准，事后指标（AUC/PR，uplift），干预响应。
• 漂移：在输入（PSI/KS）和输出（得分漂移）。
• 道德/正义：EO/EOp-delta，disparate impact。
• 隐私：Attack-AUC（membership/inversion）≈ 0。5、ε usage（如果DP）。
• 业务：chargeback，RG干预，offer转换-分段分解。

• p95 latency ≤ 200毫秒（在线评分RG/antifrod）。
• Error rate ≤ 0.1%5分钟。平均值。
• Drift PSI ≤ 0.2次关键犯规；EOp-delta ≤ 3 p.p.
• Freshness fich ≤ 60秒；错过≤ 0。5%.
• ACE ≤ 0校准。02.

7）事件和花花公子

Sev-level：P1（付款锁定/RG错误），P2（错误增长>阈值），P3（质量降解）。
自动联网：切换到冠军，降低查询频率，启用后退规则，隔离"有毒"的镜头。
Runbooks："fichi已过时"，"漂移已经长大"，"fid类型已经改变"，"GPU已用尽"。
后太平间：RCA，假计划，测试/阈值/合同更新。

8）实验和变更控制

A/B和多臂乐队-仅按关键组（国家/频道/设备）分层。
道德停止规则：随着RG风险/投诉的急剧增加。
在切换之前,双奔跑店面和模型。
对KPI和定义（BI合同）进行验证，以稳定地解释结果。

9）销售中的安全和隐私

mTLS/TLS 1.3、查询签名、反回复（nonce/idempotency）。
来自Secrets Manager、JIT发行、审核的秘密。
输入/标志化；在赛道上禁止PII。
VIP 付款/AML的TEE/机密地狱（根据需要）。
接入策略（RBAC/ABAC/JIT）到Fix和Endpoint。
DSAR/Legal Hold：通过令牌可解释性和可删除性解决方桉。

10）性能和成本

具有TTL的缓存（功能/得分），尤其是对于稳定信号。
加速量化/蒸馏技术（INT8/FP 16）。
自动滑行：水平的QPS/latency,垂直的batch尺寸。
CPU/GPU混合体：对GPU持批评态度，对CPU具有"质量"。
通过加热模型来跟踪冷启动。
针对缓存本地性的市场/tenant的模型池和"粘性路由"。

11）iGaming Case（参考）

RG得分：入场和会议中的在线得分；严格的overrides（自我排除）,目标指标是EOp+校准。
防胎付款：授权解决办法<150毫秒；FPR的EO控制，机器人信号聚合器。
KYC/AML：文件支持；PSI/MPC与合作伙伴；DSAR兼容性。
个性化：uplift模型和频率限制；从激进的offers中排除高风险。

12）操作度量和SLO（示例）

13）工件模板

13.1个发行注释（草图）

模型： 'rg_risk@2.1.0` (MINOR)

更改： 添加了"loss_streak_7d"字样；校准更新

验证： shadow 14天；delta KPI ≤ 0.3%;EOp三角洲正常

Rollout: canary 10% EU → 50% → 100%

Rollback： 标志'rg。use_v1=true`

所有者/日期/tiket

13.2型号卡（片段）

任务： 付款反欺诈行为

数据： 'payments_gold v3.2',fich-set 'payout_signals v1.7`

度量： AUC=0。89, ACE=0.015，FPR@歌剧。阈值=1。2%

Fairness: EO TPR/FPR Δ ≤ 2 п.п. по «country/method»

局限性： VIP客户-只有人文评论

隐私： TEE地狱；非PII编译

Review： 每90天一次

13.3后端的SLO策略（片段）

yaml endpoint: /v1/score/rg slo:
latency_p95_ms: 200 success_rate: 0. 995 max_error_burst_per_5m: 50 data:
feature_freshness_s: 60 allowed_missing_pct: 0. 5 ethics:
eop_delta_pp: 3 privacy:
attack_auc_max: 0. 55

13.4 Runbook "Fichi已过时"

1.检查Feature Store中的故障和吹风机的来源。
2.切换到备用通道/缓存。
3.减少流量/启用后退规则。
4.#ml-status中的通信；P2/P1 SLA事件。
5.RCA和合同/撤消编辑。

14）发布前的测试过程

Fich合同：schema/enum/nullable，SLA新鲜。
数据：DQ测试，点对点，目标泄漏。
模型：单位/整合，校准，压力/负载。
Security： Security, mTLS, Zero-PII在日志中。
道德/隐私：公平支票，攻击套件。
可观察性：dashbords/alerta，SLO configa。
文档：Release Notes+滚回计划。

15） RACI（示例）

ML Lead （A/R）：质量、发布、指标。
数据平台（R）：功能商店，寄存器，编排，可观察性。
Domain Owners （R）：来源/远景合同。
安全/DPO （A/R）：可用性、隐私、令牌化、TEE。
SRE/SecOps（R）：事件，SLO，汽车轨道，SOAR。
分析/财务（C）：对KPI和报告的影响。
支持/RG/风险（C）：人为循环和可解释性。

16）实施路线图

0-30天（MVP）

1.高影响模型的Model Registry+卡（RG/付款/防冻剂）。
2.基本监控：latency, errors, freshness, drift输入。
3.新版本的影子运行，金丝雀轮廓。
4.Logs中的Fich和Zero-PII合同。
5.Runbooks和#ml-status通道。

30-90天

1.Champion-Challenger和自动晋级标准。
2.CI/CD中的Fairness/privacy门，攻击套件。
3.缓存，量化，自动轨道；SLO预算/成本。
4.BI/ML协调KPI和在线指标；SLO dashbords。

3-6个月

1.定期的后面模特，季度模型评论。
2.Geo/Tenant隔离末端，钥匙和仙女。
3.私人支付地狱/AML的TEE/MPC。
4.从线性和diff完全自动化Release Notes。
5.外部流程审核（许可证要求）。

17）反模式

没有影子/金丝雀和滚回计划的版本。
不一致的离线/在线照片→降级。
Logi with PII，没有令牌政策。
未经修订的"永恒"阈值；忽略漂移和校准。
高风险解决方案缺乏人性化循环。
没有分层和道德停止规则的实验。

18）相关部分

DataOps实践，访问控制，数据令牌化，安全性和加密，审计和验证，减少偏见，保密ML，联合学习，存储策略，数据来源和路径，数据伦理。

底线

模型操作是生产服务级别的工程学科：明确的合同和版本，可预测的版本，24/7的可观察性，可管理的道德/隐私风险以及对业务的透明影响。因此，ML成为可靠的产品而不是"笔记本电脑中的最佳脚本"。