应对深度学习中的质量挑战：MLOps 与领域知识的作用

深度学习 (DL) 系统在软件工程中 presents 独特的质量挑战，尤其是关于正确性和资源效率。尽管 DL 模型在特定任务中表现出色，但构建 DL 系统仍至关重要。必须仔细评估持续改进的 effort、成本和潜在的递减报酬，因为软件工程师常需在系统质量属性与改进 effort 之间做出关键决策——即何时停止细化。本经验论文探讨了 MLOps 实践（如监控和实验跟踪）在创建透明和可重复的实验环境中发挥的作用，这些环境使团队能够评估和论证设计决策对质量属性的影响。此外，我们报告了通过将领域知识嵌入 DL 模型设计及其在更大系统中的集成来解决质量挑战的经验。研究结果提供了关于领域知识和 MLOps 益处的可操作见解，以及在 DL 项目中何时限制进一步优化的战略考量，以最大化整体系统质量和可靠性。