你已經學到，自動化的實驗追蹤能幫助我們處理在開發 ML pipelines 時面臨的大量選項所帶來的複雜度。你也了解在典型 ML pipeline 的不同階段，我們可以選擇的各種選項、參數與評估指標。
在這個練習中，請判斷以下各項是否應由你的自動化實驗追蹤系統記錄與追蹤。
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。
