1. 课程导论：特征缺失与 PSI 监控在模型生命周期中的重要性

1.1 为什么模型会“变坏”？—— 数据漂移的根源

在机器学习模型上线后，一个常见的误区是认为模型性能会永久保持稳定。实际上，模型所依赖的“数据环境”是动态变化的。当生产环境中的数据分布与训练数据分布产生偏差时，模型预测能力就会下降，这种现象称为 数据漂移。

数据漂移主要分为两类，它们直接威胁模型的可靠性：

1.2 特征缺失巡检：模型生命周期的“第一道防线”

特征缺失率是数据质量的直接体现。在模型推理阶段，如果某个关键特征的缺失率从训练时的 1% 飙升到生产时的 30%，模型将被迫使用默认值或填充值，导致预测结果系统性偏差。

缺失巡检的核心价值在于：

• 早期预警： 在模型性能（如 AUC、准确率）下降之前，发现数据采集链路的故障。
• 根因定位： 快速区分是上游系统故障、数据源变更还是业务逻辑调整导致的缺失。
• 自动化决策： 触发告警、回滚模型或切换至备用特征。

1.3 PSI 监控：量化特征分布偏移的“黄金标准”

PSI（Population Stability Index，群体稳定性指标）是衡量两个样本分布差异的常用指标。在模型监控中，它用于比较 生产期特征分布 与 训练期特征分布 的偏移程度。

PSI 的计算逻辑基于分箱后的占比差异：

PSI = Σ ( (实际占比_i - 预期占比_i) * ln(实际占比_i / 预期占比_i) )

PSI 值的解读标准：

1.4 课程目标与学习路径

本课程旨在帮助数据科学家、MLOps 工程师和 AI 架构师，建立一套从“数据质量巡检”到“分布偏移监控”的完整实战能力。课程不局限于理论，而是提供可直接落地的代码、配置和监控看板设计。

学习路径分为四个阶段：

1. 基础篇（第 1-5 章）： 理解缺失与 PSI 原理，搭建监控指标体系。
2. 实战篇（第 6-15 章）： 使用 Python 实现缺失巡检与 PSI 计算，集成到模型推理管道。
3. 工程篇（第 16-25 章）： 设计自动化告警、可视化看板（Grafana）与 MLOps 流水线。
4. 进阶篇（第 26-30 章）： 处理多模态特征、大规模分布式监控与模型回滚策略。

1.5 课程适用人群与前置知识

• 数据科学家 / 算法工程师： 希望提升模型上线后的稳定性与可观测性。
• MLOps / AI 平台工程师： 需要设计监控组件与自动化运维流程。
• 技术管理者： 评估模型风险，制定数据质量与模型治理规范。