你剛學到參與 MLOps 流程的各種潛在角色。即使不同專案或公司對角色的稱呼不盡相同，每個角色在每個專案中都各自有核心職責。清楚定義角色，能讓每個人專注於自己的職責，並使 MLOps 流程更順暢。
想像你是一名資料科學家，正在團隊中訓練一個要用於業務的機器學習模型。你已經雇用了一位負責蒐集、處理與儲存資料的人，但在模型完成後，你還需要有人來部署它。你應該為哪個角色開出職缺？
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
你將先學習 MLOps 的核心特性。接著探索機器學習生命週期、其各個階段，以及與 MLOps 流程相關的角色分工。
當前練習
接下來，你將學到機器學習生命週期中的設計與開發階段。你會探索價值增益評估、資料品質、特徵儲存，以及實驗追蹤。
本章將帶你深入了解把機器學習部署到生產環境的相關概念，例如執行階段環境、容器化、CI/CD 流程，以及部署策略。
最後，你將學到如何在生產環境維護機器學習，包含統計與運算監控、再訓練、不同的 MLOps 成熟度層級，以及可用於機器學習生命週期中以簡化流程的工具。
