20260625:很多新内容

concepts/ml-technical-debt.md

@@ -0,0 +1,49 @@
+---
+title: "ML 技术债务"
+created: 2026-06-19
+updated: 2026-06-19
+type: concept
+tags: [ml-engineering, technical-debt, production, system-design]
+sources:
+  - https://arxiv.org/abs/1506.07756
+  - https://towardsdatascience.com/six-choices-every-ai-engineer-has-to-make-and-nobody-teaches/
+---
+
+# ML 技术债务
+
+## 定义
+
+机器学习系统中的隐性技术债务——来自 Sculley et al. (2015, NeurIPS) 的经典框架。与软件工程中熟知的代码债务不同，ML 系统引入了独特且更昂贵的债务形式。
+
+## 核心差异：数据债务 > 代码债务
+
+Sculley 的核心发现：**数据依赖比代码依赖更昂贵**。原因：
+- 数据更难追踪（无类型系统）
+- 数据更难版本化（数据漂移、schema 变更）
+- 数据更难向 6 个月后继承系统的人解释
+- 数据管线的变更可能静默地破坏下游模型
+
+## ML 系统的真实构成
+
+实际的模型代码只是真实 ML 系统的**一小部分**。大块是：
+- 特征存储和数据管道
+- 监控和告警
+- 重训练触发器和调度
+- 各组件之间的粘合代码
+
+## CACE 效应
+
+[[cace-principle|CACE 原理]]：改变任何事物都会改变一切。流水线上的一个小调整可能引发远处的惊人变化——这种级联效应在集成系统和神经网络中尤其严重。
+
+## 实际成本
+
+- 团队选择一个更复杂的模型来获得 2% 的准确性，为此支付 18 个月的调试时间和重训练开销
+- "数据沼泽"：无治理地收集所有数据 → 需要数周清理 → 增加存储和流程成本
+- 自托管硬件仅占 20-30% 成本，人力占 70-80%
+
+## 参考
+
+- [[cace-principle|CACE 原理]]
+- [[ai-production-tradeoffs|AI 生产权衡]]
+- [[data-swamp|数据沼泽]]
+- [[nobrega-ai-production-tradeoffs-2026|原文文章]]