Netflix giới thiệu kiến trúc "Model Lifecycle Graph" giúp tối ưu hóa quy trình Machine Learning quy mô lớn

Netflix đã phác thảo một kiến trúc dựa trên đồ thị để quản lý hệ thống Machine Learning ở quy mô doanh nghiệp, mô tả cách hệ thống nội bộ "Model Lifecycle Graph" của họ ánh xạ các mối quan hệ giữa tập dữ liệu, mô hình, tính năng, đánh giá, quy trình làm việc và hệ thống sản xuất. Cách tiếp cận này phù hợp với xu hướng chuyển dịch rộng rãi hơn của ngành công nghiệp sang các nền tảng ML tập trung vào siêu dữ liệu (metadata-centric), nhằm cải thiện khả năng khám phá, quản trị và tái sử dụng khi các hệ thống ML ngày càng kết nối chặt chẽ với nhau.

/filters:no_upscale()/news/2026/05/netflix-ml-graph/en/resources/1Screenshot 2026-05-08 at 4.15.38 PM-1778283877229.png)

Thách thức trong việc mở rộng quy trình ML

Trong một bài đăng kỹ thuật gần đây, các kỹ sư của Netflix đã mô tả cách các công cụ ML truyền thống ngày càng trở nên khó quản lý khi các tổ chức tích lũy một lượng lớn tập dữ liệu, tính năng, đường ống (pipelines), thí nghiệm và các mô hình đã triển khai trên nhiều nhóm khác nhau. Netflix lập luận rằng, ở quy mô lớn, việc hiểu rõ nguồn gốc của các mô hình, các tập dữ liệu thượng nguồn mà chúng phụ thuộc vào, và cách các thay đổi lan truyền qua các hệ thống hạ nguồn trở thành một thách thức vận hành lớn.

Giải pháp được Netflix đề xuất là một hệ thống định hướng đồ thị, coi các tài sản ML và mối quan hệ của chúng là mối quan tâm cơ sở hạ tầng hạng nhất.

Cách thức hoạt động của Model Lifecycle Graph

Model Lifecycle Graph đại diện cho các thực thể Machine Learning dưới dạng các nút và mối quan hệ được kết nối với nhau, thay vì là các giai đoạn đường ống biệt lập. Theo Netflix, đồ thị này mô hình hóa các sự phụ thuộc giữa tập dữ liệu, tính năng, mô hình, đánh giá, quy trình làm việc và dịch vụ sản xuất, cho phép kỹ sư duyệt qua các mối quan hệ dòng chảy (lineage) và hiểu rõ hơn tác động vận hành của các thay đổi.

/filters:no_upscale()/news/2026/05/netflix-ml-graph/en/resources/1Screenshot 2026-05-08 at 4.39.07 PM-1778283877229.png)

Hệ thống cũng nhằm cải thiện khả năng khám phá bằng cách cho phép các nhóm định vị các tài sản ML có thể tái sử dụng và kiểm tra cách các mô hình được xây dựng và tiêu thụ trong toàn tổ chức.

Các kỹ sư của Netflix lập luận rằng cấu trúc đồ thị đặc biệt phù hợp để mô hình hóa các hệ thống Machine Learning vì tài sản ML hiếm khi tồn tại biệt lập. Một mô hình duy nhất có thể phụ thuộc vào nhiều tập dữ liệu, các tính năng phái sinh, quy trình đánh giá và dịch vụ sản xuất hạ nguồn, tất cả đều phát triển độc lập theo thời gian.

Việc biểu diễn các mối quan hệ này dưới dạng các kết nối đồ thị có thể duyệt cho phép các nhóm thực hiện phân tích tác động, kiểm tra chuỗi dòng chảy và xác định các thành phần có thể tái sử dụng hiệu quả hơn so với các chế độ xem cơ sở hạ tầng ML định hướng đường ống truyền thống.

Dân chủ hóa và xu hướng ngành

Netflix định vị kiến trúc này là một phần trong nỗ lực rộng lớn hơn nhằm "dân chủ hóa" Machine Learning nội bộ. Thay vì tập trung hóa kiến thức ML trong các nhóm nền tảng chuyên gia, công ty cho rằng đồ thị cho phép tiếp cận tự phục vụ nhiều hơn, nơi các kỹ sư và nhà khoa học dữ liệu có thể tự khám phá tập dữ liệu, hiểu các sự phụ thuộc và tái sử dụng các thành phần hiện có.

Bài đăng gợi ý rằng điều này giúp giảm thiểu công việc trùng lặp trong khi cải thiện tính minh bạch về quyền sở hữu, quản trị và bối cảnh vận hành.

Kiến trúc này phản ánh một phong trào tương tự trong ngành công nghiệp hướng tới các nền tảng Machine Learning và dữ liệu tập trung vào siêu dữ liệu. Các khái niệm tương tự đã xuất hiện trong các hệ thống như LinkedIn DataHub, nơi mô hình hóa các mối quan hệ giữa tập dữ liệu, đường ống và siêu dữ liệu quyền sở hữu dưới dạng đồ thị, cũng như các sáng kiến tập trung vào dòng chảy như OpenLineage. Nền tảng ML Michelangelo của Uber cũng nhấn mạnh việc quản lý vòng đời tập trung, tái sử dụng tính năng và khả năng tái tạo khi các triển khai Machine Learning mở rộng trên toàn tổ chức.

Cách tiếp cận này cũng tương tự như các xu hướng được thấy trong các cổng phát triển viên nội bộ như Spotify Backstage, nơi các tổ chức kỹ thuật ngày càng sử dụng các biểu diễn dựa trên đồ thị để mô hình hóa các mối quan hệ giữa dịch vụ, cơ sở hạ tầng, quyền sở hữu và siêu dữ liệu vận hành.

Kết luận

Trong khi nhiều quy trình làm việc AI gần đây ưu tiên thử nghiệm nhanh, công cụ tác tử (agentic tooling) và điều phối nhẹ nhàng, Model Lifecycle Graph của Netflix lại tập trung mạnh vào khả năng truy xuất nguồn gốc, ánh xạ sự phụ thuộc và tính minh bạch trong tổ chức.

Thiết kế này gợi ý rằng, khi các hệ thống Machine Learning được nhúng sâu hơn vào các phần mềm doanh nghiệp, các tổ chức có thể ngày càng coi siêu dữ liệu, dòng chảy và quản trị vòng đời là các yêu cầu kiến trúc cốt lõi thay vì là các mối quan tâm vận hành thứ yếu.