Eğitim-Sunum Sapması (Training-Serving Skew)

Eğitim-sunum sapması, bir modelin üretimde aldığı verinin eğitildiği veriden farklı olduğu ince bir hatadır — dünya değiştiği için değil, veri işlem hatları birbirinden ayrıştığı için. Belki eğitim, toplu hesaplanmış temizlenmiş bir özelliği kullanırken sunum, aynı özelliği biraz farklı kodla anlık hesaplar; ya da eğitimde taze olan bir değer çıkarımda bayat gelir. Model o zaman çevrimdışı metriklerinizin vaat ettiğinden çok daha kötü performans gösterir. Bu, klasik MLOps arıza türlerinden biridir çünkü sessizdir: tüm testler geçer ama gerçek doğruluk düşer. Olağan suçlu, zamanla birbirinden uzaklaşan çoğaltılmış dönüşüm mantığıdır — biri eğitim, biri sunum için. Özellik depolarının (feature store) var olma nedenlerinden biri de budur; her iki yolun tek bir tanımı paylaşmasını sağlarlar. Pratik not: sunum anında görülen gerçek özellikleri kaydedin ve dağılımlarını dönemsel olarak eğitim kümesiyle karşılaştırın; bir uyumsuzluk, sapmanın sızdığına dair erken uyarınızdır.