主要观点：在生产机器学习系统中，数据漂移会削弱模型性能，需监测和缓解以保持模型可信度。KitOps 是开源 DevOps 解决方案，可将 AI/ML 模型等组件打包成可重现的 ModelKit，便于集成漂移检测和管理到 MLOps 工作流中。
关键信息：

• 数据漂移定义为输入数据统计特征随时间的变化，有协变量漂移、先验概率漂移、概念漂移等形式，常由用户行为等变化引起。
• 需按步骤设置环境，包括安装 KitOps CLI 等、加载和分割数据、训练和保存模型、初始化漂移检测器及警报、创建主文件和 Kitfile 并打包推送等。
• 可通过修改特征分布模拟数据漂移，修改 main.py 可在训练管道中检测漂移，若检测到漂移会重新训练模型。KitOps 可管理模型版本，通过 kit list 查看，可使用 kit pull 进行回滚。
  重要细节：
• 在不同脚本中，如 data_loading.py 用于加载和分割 Iris 数据集，model_training.py 用于训练和保存模型并保存特征统计，drift_detection.py 用于初始化漂移检测器等。
• Kitfile 定义了 AI/ML 项目的组件，包括代码、模型、数据集等的路径和描述等信息。
• 模拟数据漂移时通过修改特征值创建 new_data.csv，在 main.py 中加载并检测漂移，若检测到会重新训练模型。之后可修改 Kitfile 版本并重新打包推送。