1. 课程导入

在金融机构的模型风险管理体系中，真正决定模型能否被信任、复用与审计的，往往不是模型算法本身，而是模型所处的运行环境、交付的制品（Artifact）以及围绕它们建立的注册治理机制。本课程面向金融科技、模型风险管理、数据科学与平台工程岗位，系统讲解如何把模型从“个人电脑里的脚本”转化为“可治理的生产资产”。

一、核心概念：环境、Artifact与注册治理

金融模型环境指模型开发、验证、部署与运行所依赖的软硬件、依赖库、数据接口、配置参数与权限体系的集合。它决定了模型“在什么条件下成立”。同一份代码在不同环境中可能产生完全不同的结果，因此环境必须被版本化、可复现、可审计。

Artifact（制品）是模型生命周期中产生的可交付、可追溯的实体，包括训练脚本、模型权重文件、特征工程配置、评分卡文档、验证报告、部署镜像与元数据清单。Artifact是模型治理的“物证”，没有Artifact，模型就无法被独立复核。

注册治理指通过模型注册表（Model Registry）对Artifact进行登记、版本控制、审批、状态流转与权限管理的过程。它回答三个问题：谁在什么时候、基于什么环境、产出了哪个版本的模型，以及该版本是否被批准用于生产。

二、方法流程：从环境到注册的治理闭环

一个可落地的模型治理流程通常包含以下步骤，每一步都产生可追溯的Artifact：

1. 环境固化：使用容器或虚拟环境锁定依赖版本，生成环境快照文件。
2. 模型训练与打包：在固化环境中训练模型，输出权重、配置与训练日志。
3. Artifact登记：将模型文件、验证报告、元数据写入制品仓库，并计算哈希值。
4. 注册表录入：在模型注册表中创建条目，关联环境快照与Artifact清单。
5. 审批与状态流转：经过验证后，模型状态从“开发”流转为“已批准”，再进入“生产”。
6. 审计与回溯：任何生产问题均可通过注册记录回溯到具体环境与Artifact版本。

三、案例场景：信贷评分模型的治理实践

某银行开发一款信贷评分卡模型。开发人员在本地环境中训练后，直接将model.pkl交给运维部署。三个月后监管检查要求说明模型训练时的依赖版本与数据快照，团队无法提供，导致模型被暂停使用。

引入治理机制后，流程变为：

# 环境固化
conda env export > env.lock
docker build -t credit-score:v1.2 .

# 训练并输出Artifact
python train.py --config config.yaml --output artifacts/

# 登记到注册表
mlflow models register \
  --model-uri artifacts/model \
  --name credit_scorecard \
  --stage Staging

# 审批后流转
mlflow models transition --name credit_scorecard --version 3 --stage Production

此时，任何一次生产调用都能追溯到env.lock、artifacts/与注册表中的版本号，监管检查可在数分钟内完成。

四、常见误区与复盘

五、学习目标与课程框架

通过本课程，你将能够：

• 理解金融模型环境、Artifact与注册治理的核心定义与相互关系；
• 掌握环境固化、Artifact打包与注册表操作的具体方法；
• 能够设计符合监管要求的模型治理流程；
• 识别并规避治理实践中的常见误区。

课程整体分为四个模块：基础概念（第1-6章）建立环境与Artifact的认知框架；工具与实操（第7-15章）讲解容器、制品仓库与注册表工具链；治理流程（第16-24章）覆盖审批、状态流转与审计；综合实战（第25-30章）通过完整案例串联全部知识点。