第 24 章 案例：传统模型生产化

学习目标

• 通过风控/推荐/广告/搜索/预测五个真实领域，理解传统模型生产化的完整闭环；
• 掌握特征平台、模型服务、监控的工程结构；
• 理解「传统模型不会被 LLM 取代，而是被 LLM 增强」的现实；
• 学会把本书前 7 篇的方法论套用到传统 ML 场景。

---

24.1 案例全景：五个领域、一个闭环

传统模型生产化（第 2 章「GBDT 统治结构化数据」）的本质是同一个闭环：特征 → 训练 → 服务 → 监控 → 回流。五个领域只是特征的形态与业务指标不同：

领域	核心任务	主力模型	关键指标	业务指标
风控	欺诈/信用分类	GBDT/XGBoost、LR	AUC、KS	坏账率、通过率
推荐	物品排序	GBDT 精排、双塔召回	Recall@K、NDCG	点击率、转化
广告	点击/出价预测	GBDT/LR、深度学习 CTR	AUC、LogLoss	eCPM、ROI
搜索	相关性排序	双塔召回 + GBDT 精排	MRR、nDCG	点击率、满意度
预测	销量/流量/时序	时序模型、GBDT	MAE、MAPE	预测准确率

共同点：都是「低延迟、高吞吐、确定性优先」的场景——这正是第 2 章说的「传统模型的主场」。LLM 不直接上场，但可以进场增强（第 24.4 节）。

24.2 特征平台：特征的生产线

传统模型的生命周期里，特征工程是最大的工作量（第 1 章：传统 ML 靠特征工程）。特征平台解决「特征从哪来、怎么算、怎么保证线上线下一致」：

%%{init: {"themeVariables": {"primaryTextColor": "#000000", "textColor": "#000000", "labelColor": "#000000", "nodeTextColor": "#000000", "labelTextColor": "#000000", "scaleLabelColor": "#000000"}}}%%
flowchart LR
    A[原始数据
日志/数仓/实时流] --> B[特征加工
离线批 + 在线实时]
    B --> C[特征存储
离线特征表 + 在线 KV]
    C --> D[训练
用离线特征]
    C --> E[推理
用在线特征]
    D -.特征一致性校验.-> E

特征平台的三大核心问题：

1. 线上线下一致性（Train-Serve Skew）：训练用离线特征、服务用在线特征，两边算法/口径不一致 → 模型在线失效。方案：离线在线统一的特征计算框架（Feast、Tecton 类）；
2. 实时特征：推荐/广告需要秒级特征（用户刚点了什么）——实时流（Kafka）→ 特征计算 → 在线 KV（Redis）；
3. 特征治理：特征血缘、版本、质量监控（覆盖度、分布漂移——第 22 章方法在特征层复用）。

LLM 对特征平台的冲击：LLM 可以作为「特征生成器」——用 Embedding 模型把文本/语义变成特征（第 24.4 节）。特征平台的「非结构化 → 结构化特征」能力成为新需求。

24.3 模型服务与监控闭环

传统模型的服务侧比 LLM 简单（确定性、低延迟），但闭环原则相同：

• 模型服务：Triton/KServe（第 16 章），或更轻的在线推理（打分接口）；模型要支持多版本 + 灰度（第 16 章）；
• 监控：第 21 章四层监控——系统（在线服务的延迟/吞吐）、模型（AUC/KS 在线监控、特征漂移）、业务（坏账率、点击率）；
• 回流：用户行为（点击/转化/拒绝）→ 样本回流 → 标注/特征 → 重训（CT，第 19 章）。

风控案例的完整闭环（本书方法论的浓缩）：

%%{init: {"themeVariables": {"primaryTextColor": "#000000", "textColor": "#000000", "labelColor": "#000000", "nodeTextColor": "#000000", "labelTextColor": "#000000", "scaleLabelColor": "#000000"}}}%%
flowchart LR
    A[交易请求] --> B[实时特征
设备/行为/关系网络]
    B --> C[风控模型
GBDT 打分]
    C --> D{分数阈值}
    D -->|通过| E[放行]
    D -->|拒绝| F[拦截 + 人工复核]
    E --> G[结果回流
真实好坏标签]
    F --> G
    G --> H[样本库]
    H --> I[每周重训
CT]
    I --> J[上线前
回测 KS/AUC]
    J --> C

风控的特殊点：正样本极稀疏（欺诈率低）、概念漂移快（欺诈手段演化）——第 22 章的概念漂移检测 + 第 19 章的 CT 在这里是刚需，不是锦上添花。

24.4 LLM 时代的升级路径

传统模型不会被 LLM 取代，但每个领域都有「LLM 增强」的具体路径：

领域	LLM 增强方式
风控	LLM 解析交易备注/聊天记录做欺诈语义特征；生成风险解释
推荐	LLM 生成商品摘要/用户兴趣画像；做冷启动与多样性增强
广告	LLM 生成广告文案/创意变体；理解长尾 query 意图
搜索	Query 改写（第 17 章 RAG 技术）；生成式回答 + 传统检索混合
预测	LLM 解析非结构化信号（新闻、政策文本）做外生特征

混合架构的黄金法则：确定性的活（打分、排序、风控）留给传统模型，开放性的活（理解、生成、解释）交给 LLM，中间用特征/检索/路由连接。第 2 章「LLM 统一生成、传统模型管确定性」的选型判断，在这里落地。

---

本章要点回顾

1. 传统模型生产化的本质是同一闭环：特征 → 训练 → 服务 → 监控 → 回流。
2. 特征平台的三大核心：线上线下一致性（Train-Serve Skew）、实时特征、特征治理（血缘/漂移）。
3. 风控案例浓缩了 CT、概念漂移、样本回流等核心方法论。
4. LLM 不取代传统模型，而是增强：确定性活留给传统模型，开放性活交给 LLM。
5. 混合架构用特征/检索/路由连接两端——这是第 2 章选型判断的落地。

习题

1. 设计一个推荐系统的特征平台：离线/在线特征各举 5 个，说明如何保证一致性。
2. 风控模型上线后 AUC 高但坏账率没降，可能哪里出了问题？给出排查路径。
3. 你的搜索系统要加「生成式回答」功能，如何与传统精排共存？画出混合架构。
4. LLM 生成的推荐文案如何评估？给出离线与在线两套指标。

延伸阅读

• Cheng et al., Wide & Deep Learning for Recommender Systems, 2016
• Covington et al., Deep Neural Networks for YouTube Recommendations, 2016
• Feast / Tecton 特征平台文档
• XGBoost / LightGBM 文档
• 各公司推荐/风控系统工程博客

下一章预告

第 25 章视觉/语音/多模态：图像分类检测分割 OCR、语音识别合成、多模态检索图文生成视频理解，以及多模态大模型（VLM）的工程化。