Zašto je versioning modela kritičan?
AI modeli nisu statični — redovito se retrainiraju, fine-tuniraju i zamjenjuju. Bez discipliniranog versioninga, organizacije se suočavaju s: nepoznavanjem koji model je u produkciji, nemogućnošću reproduciranja prošlih predikcija, problemima revizije regulatorne usklađenosti i nesposobnošću rollbacka kada nova verzija modela pokazuje probleme.
Što verzionirati
Model artefakti: serializirane težine, konfiguracije, tokenizatori. Podaci za treniranje: točan snapshot skupa podataka koji je korišten. Kod za treniranje: skripte, hiperparametri, okvir verzija. Metadataoci: evaluacijske metrike, autorstvo, povijest uvođenja. Zavisnosti: verzije knjižnica za reproducibilnost okoline.
Alati i implementacija
Registar modela (MLflow, Vertex AI Model Registry) centralizira versioning. DVC (Data Version Control) verzionira skupove podataka zajedno s kodom. Imenovanje konvencija: semantičko versioning (1.0.0 → 1.0.1 za popravke, 1.1.0 za novo treniranje, 2.0.0 za promjene arhitekture). Svaki modeli treba tag, branching je anti-pattern za artefakte modela.