从游戏数据到生产环境：构建端到端 MLOps 平台的实战经验

本文介绍的dota2metalab-infra项目，以Dota2英雄选秀预测为场景，解决了机器学习模型从实验室到生产环境落地的常见痛点（如数据管道断裂、模型版本混乱、部署流程手动化等）。项目构建了完整的端到端MLOps流水线，实现了73%的预测准确率，并采用云原生技术栈（Kubernetes、Terraform、GitOps等）完成自动化部署，为ML项目工程化提供了参考范例。

背景

机器学习项目常面临实验室模型表现优异但生产部署问题百出的困境。本项目以Dota2英雄选秀预测为载体，旨在展示一套完整的MLOps实践方案，实现从数据采集到生产部署的自动化流水线。

核心挑战

Dota2作为复杂竞技游戏，带来以下挑战：

1. 英雄组合空间巨大（120+英雄中选10个）
2. 英雄间存在协同与克制的非线性效应
3. 对抗性选择影响策略
4. 游戏版本迭代改变英雄强度

这些因素增加了预测模型的开发与维护难度。

项目采用分层MLOps架构，各模块独立开发测试：

数据层

收集17,000+场高分段比赛数据，包括英雄选择序列、玩家历史胜率、英雄协同/克制关系及比赛结果。通过Python脚本调用官方API获取原始数据，经清洗和特征工程转换为模型可用格式。

模型层

使用神经网络捕捉英雄间非线性交互，输入特征包括英雄ID序列、历史胜率、协同度评分、队伍平衡性指标。测试集准确率达73%，考虑游戏不确定性，结果可观。

服务层

模型封装为容器化REST API服务，支持实时/批量预测、版本管理及A/B测试。

基础设施层

采用云原生技术栈：

• Terraform：管理AWS EKS集群、VPC等资源
• Kubernetes：容器编排
• Helm：K8s包管理
• ArgoCD：GitOps持续交付
• GitHub Actions：CI流水线
• Jenkins：CD流水线

GitOps部署模式

所有K8s资源配置存于Git仓库，ArgoCD监控变更并自动同步，实现版本追溯、快速回滚、权限控制与审计合规。

多环境管理

通过Terraform workspace和目录结构隔离开发、预发、生产环境，各环境资源独立，避免干扰。

自动化流水线

流程：代码提交→GitHub Actions运行测试→构建Docker镜像→Jenkins触发部署→ArgoCD同步配置→K8s滚动更新（零停机）。

数据科学团队

• 模型设计阶段需考虑服务化需求
• 对数据、模型、代码进行版本管理
• 部署后持续监控模型性能，及时发现漂移

工程团队

• 用Terraform实现基础设施即代码，避免手动配置
• 优先采用GitOps声明式部署，而非命令式脚本
• 在CI阶段进行自动化测试，降低修复成本

团队协作

• 打破数据科学家与工程师的部门墙
• 选择团队共同理解的工具链
• 重视文档（README、Makefile等）作为工程资产

项目存在以下可改进点：

1. 特征工程可深入：加入玩家个人风格、近期状态等游戏内特征
2. 缺失在线学习：模型为离线训练，无法根据新数据自动更新
3. 可解释性不足：神经网络的黑盒特性导致预测原因难以解释

本项目以Dota2选秀预测为场景，展示了完整的机器学习工程化流程，从数据收集到Kubernetes部署均体现MLOps最佳实践。73%的预测准确率虽非终点，但自动化流水线为复杂AI应用的落地铺平了道路，是ML项目从实验室走向生产环境的极佳参考案例。