在上一段影片中，你學到中介資料（metadata）的定義：關於 ML pipeline 不同元件執行狀況的資訊。
在這個練習中，你將從選項中找出哪些是中介資料的例子。
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
在本章中，我們將說明為何要在產業情境中採用 MLOps。你會學到它如何協助企業創造價值。我們也會複習 ML 的各個階段，並著重於 MLOps 如何強化這些流程。章末你將探索一個全自動 MLOps 系統的參考架構。接著，你會以此架構為基礎，了解任一 MLOps 系統中的關鍵元件，並作為本課程後續內容的起點。
在本章中，你將持續探索打造全自動 MLOps 系統的關鍵元件。首先，你會檢視協同（orchestration）在 MLOps 中的重要性，以及它如何確保 ML pipeline 的效率與可擴充性。接著，你會比較各種 MLOps 部署策略，並學會如何為你的系統選擇合適的作法。最後，你將學習 CI/CD/CT/CM，了解它們如何與協同與最佳實務相輔相成，以達成 MLOps 系統的全面自動化。完成本章後，你將更能打造高效率、精確且可靠的全自動 MLOps 系統。
當前練習
本章將帶你深入自動化的世界，學會設計更具韌性且高效率的 ML 系統。你會先理解 MLOps 系統中自動化的基礎，接著探索設計樣式與失誤保護機制的威力。你也會學習如何在 MLOps 系統中導入自動化測試，並利用超參數調校來最佳化模型與工作流程。到本章結束時，你將具備建立與管理高效率且可靠的全自動 MLOps 系統所需的技能與知識。
在最後一章，你將深入探討自動化 MLOps 架構的關鍵元件。從了解自動化實驗追蹤與模型登錄，到探索特徵儲存與中介資料儲存的角色，本章旨在讓你全面掌握全自動 MLOps 系統的種種細節。無論你是經驗豐富的 ML 實務者，或剛起步的學習者，本章都能提供設計自動化 MLOps 工作流程所需的知識與技能。
