用途
Model Registry Governance 旨在为企业 AI 部署建立可信的模型系统记录，覆盖模型工件、提示词、适配器和评估证据。它适用于以下场景：为组织搭建集中式模型注册表、定义模型工件的元数据标准、构建模型晋升到生产环境的审批工作流、实施模型退役的生命周期策略，以及为 AI 系统的合规审计做准备。
核心原则
- 可追溯性：每个生产模型都映射到源代码、数据快照和评估结果。
- 可复现性：构建过程具有确定性，依赖项固定。
- 策略驱动晋升：关键安全检查不允许手动绕过。
- 生命周期卫生：过期、存在漏洞或无归属的模型会被自动退役。
前置条件
- 已部署 MLflow Tracking Server 或 Weights & Biases 实例
- 用于模型工件的对象存储（S3、GCS 或 MinIO）
- 可访问注册表 API 的 CI/CD 流水线
- 用于治理检查的 OPA 或类似策略引擎
- 用于策略定义和晋升脚本的 Git 仓库
主要能力
MLflow 注册表搭建
提供安装命令与 docker-compose 配置，使用 PostgreSQL 作为后端存储、S3 作为工件存储启动 MLflow 跟踪服务器。
必需元数据模式
通过 Pydantic 定义 ModelMetadata，包含身份（名称、版本、校验和、存储 URI）、血缘（基础模型、微调方法、训练数据集、训练日期、源代码提交）、评估（评估数据集、评估报告 URI、质量分数、安全分数）、治理（许可证、允许/禁止用例、风险评级、安全控制）、归属（负责人、备份负责人、升级联系人、团队）以及生命周期（状态、创建时间、批准时间、批准人、过期时间）等字段。
模型注册脚本
register_model 函数计算工件 SHA-256 校验和，将元数据记录为参数、质量与安全指标记录为度量，上传完整元数据与模型工件，并在注册表中注册模型、设置生命周期标签。
审批工作流
流程包括：从 CI 创建注册请求、执行安全检查（工件扫描、依赖扫描、来源验证）、上传评估包（质量、毒性、越狱、偏见、延迟、成本）、按策略要求获得平台+产品+安全审批、基于签署的决策记录晋升到阶段/生产环境。
晋升脚本
promote_model 函数校验状态转换合法性（draft→candidate→approved→deprecated→retired），对生产晋升要求质量分数≥0.85、安全分数≥0.95，记录晋升时间与审批人，并转换 MLflow 阶段别名。
生命周期状态
- draft：内部实验，仅限开发环境
- candidate：通过基线测试，可用于预发布
- approved：授权用于生产，所有环境可用
- deprecated：已宣布替代，仅限现有使用，阻止新使用
- retired：归档以供审计，不提供服务
生命周期自动化
enforce_lifecycle_policies 函数定期执行：批准过期 90 天后自动弃用、弃用 30 天后自动退役、标记 14 天无活动的草稿。
治理策略（OPA/Rego）
策略示例包括：拒绝缺少 SBOM 的工件、存在严重 CVE 时阻止晋升、提示词变更后要求重新评估、生产晋升要求最低评估分数、高风险模型要求至少两次审批。
审计准备
维护不可变记录：谁在何时批准、执行了哪些策略检查、授予了哪些例外、每个客户请求窗口由哪个模型/版本提供服务。
使用方式
按照资料提供的安装命令部署 MLflow，配置元数据模式，使用注册脚本登记模型，通过审批工作流和晋升脚本管理模型状态，并部署 OPA 策略与生命周期自动化任务。
适用场景
企业 AI 模型治理、合规审计准备、模型生命周期管理、多团队模型审批流程。
限制
资料未提供具体的收费、价格、平台兼容性范围或效果保证信息。