2. MLOps核心概念高频问题
在MLOps岗位面试中，面试官几乎一定会用前五到十分钟确认一件事：你对MLOps的理解是“背概念”还是“真做过”。这道题看似基础，实则是整场面试的定调题。回答得好，后续追问会围绕你的项目展开；回答得空泛，面试官会不断用细节把你逼回原形。本章围绕四个高频子问题展开：MLOps的定义、生命周期、与DevOps的区别，以及不同公司的侧重点，并给出一套可直接复用的回答框架。
一、核心原理：MLOps到底是什么
MLOps是Machine Learning Operations的缩写，本质是把机器学习系统的开发、交付和运维变成可重复、可审计、可自动化的工程流程。它不是一个工具，而是一套覆盖“人、流程、平台”的协作范式。面试中如果只回答“MLOps就是机器学习加DevOps”，基本会被判定为没有实战理解。
更准确的表述是：MLOps解决的是模型从实验环境走向生产环境后，因数据变化、代码变化、模型变化而导致的“三重复合漂移”问题。DevOps管的是代码版本，MLOps还要管数据版本和模型版本。这是定义题里最容易被追问的点。
推荐定义话术：MLOps是一套让机器学习系统可持续交付和稳定运行的工程实践，核心是把数据、模型、代码三者都纳入版本管理和自动化流水线，并通过监控和反馈闭环应对数据漂移与模型退化。
二、方法流程：MLOps生命周期怎么讲
生命周期是面试官判断你是否有全局观的关键。不要只背阶段名称，要讲清楚每个阶段的交付物和衔接点。常见生命周期可以归纳为六个阶段：
- 问题定义与数据准备：明确业务指标，完成数据采集、清洗、标注和版本化，产出可复现的数据集。
- 实验与模型训练：跟踪实验参数、指标和产物，保证实验可复现，产出候选模型。
- 模型评估与注册：离线评估通过后进入模型注册表，记录版本、指标、依赖和审批状态。
- 部署与发布：通过CI/CD流水线完成打包、测试、灰度发布或A/B测试。
- 监控与告警：监控服务指标、数据分布和模型效果，设置漂移阈值和告警规则。
- 反馈与再训练：根据线上反馈触发再训练，形成闭环，回到数据准备阶段。
回答时建议用一句话串起来：“从数据到模型再到线上服务，最后通过监控反馈回到数据，形成闭环。”这样既简洁又体现系统思维。
三、与DevOps的区别：三组对比讲清楚
这是高频追问点。很多候选人只会说“MLOps多了模型”，但面试官想听的是具体差异。可以从三个维度展开：
| 对比维度 | DevOps | MLOps |
|---|---|---|
| 版本管理对象 | 代码、配置 | 代码、数据、模型、特征 |
| 测试重点 | 单元测试、集成测试 | 数据校验、模型评估、偏见检测 |
| 变更触发源 | 代码提交 | 代码、数据分布、模型性能退化 |
| 监控对象 | 服务可用性、延迟、错误率 | 服务指标+数据漂移+模型效果 |
| 回滚粒度 | 回滚代码版本 | 回滚模型版本、数据版本或特征版本 |
加分表达：DevOps的交付物是稳定的软件，MLOps的交付物是“持续有效的预测能力”。模型上线不是终点，而是监控的起点。
四、公司侧重点：不同场景问法不同
同样问MLOps，不同公司的关注点差异很大。回答时如果能主动结合公司业务，会显著提升匹配度。
- 大厂平台部门：关注平台化能力，如特征平台、模型注册中心、统一调度和资源管理，追问偏架构设计。
- 业务算法团队：关注模型迭代效率和线上效果，追问偏CI/CD、A/B测试和监控闭环。
- 金融与医疗行业：关注合规、审计、可解释性和数据安全，追问偏模型治理和权限控制。
- 中小型公司：关注落地成本，追问偏工具选型、轻量方案和快速上线。
五、案例与复盘：一个真实回答示例
面试官问：“你怎么理解MLOps？”可以这样回答：
我的理解是，MLOps是把机器学习系统从实验走向生产的一整套工程实践。
它和DevOps最大的区别在于，除了代码，还要管理数据和模型版本，
并且要持续监控数据漂移和模型效果。
在我之前的项目里，我们用一个模型注册表管理模型版本，
用流水线做自动化训练和部署，线上通过监控看特征分布和AUC变化。
有一次线上AUC下降，我们通过漂移监控定位到是上游数据口径变了，
触发再训练后恢复。所以我认为MLOps的核心是闭环和可复现。常见误区：只讲工具名（如MLflow、Kubeflow）却不讲流程；把MLOps等同于“模型部署”；忽略数据版本和监控闭环；回答过于抽象，没有项目细节支撑。面试官一旦追问“你具体做了什么”，空泛回答会立刻暴露。
复盘建议：准备这道题时，先写一句话定义，再准备一个30秒版本和一个2分钟版本。30秒版本用于开场，2分钟版本用于展开。无论哪个版本，都要包含“定义+生命周期+与DevOps区别+我的项目角色”四个要素，这样既能覆盖考点，又能自然引导面试官追问你熟悉的项目细节。