一個 MLOps 工作流程

本練習著重於將一些 Kubernetes 概念套用到 MLOps 工作流程。

你公司中的資料科學團隊使用一個演算法來偵測來自 IoT 裝置的時間序列中異常偏大的值（離群值）。這個演算法持續改進，因此常常有變更，並最終以對應 Docker 映像的新版本呈現。你的任務是協助把這些演算法上線到生產環境，讓資料科學團隊可以測試各版本的個別效能。

以下內容已經準備好：

• 用來執行偵測演算法的實際資料（data.csv），會被複製進 Docker 映像
• 兩個不同版本的離群值偵測演算法（detect_outliers_*.py）
• 兩個用於建立含有這兩個不同版本之映像的 Dockerfile（Dockerfile.outlier_detection_*）
• 一個用來準備並上傳映像的 bash 指令稿（01_images.sh）
• 一個名為 02_pods_outlier-detection.yml 的 Kubernetes Manifest，之後你會用它來部署離群值偵測演算法。