你發現目前的模型效能嚴重退化，所以你收集了一批新的訓練資料，並訓練了新模型。
你的模型 pipeline 沒有任何改動，只是用新資料重新訓練。因此，你有把握可以立刻把這個表現更好的新模型提供給所有使用者。
在這種情況下，哪一種部署策略最合理？
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
本章將從高層次概述 MLOps 的原則與對部署與生命週期至關重要的架構元件。
本章著重於在開發階段就需要考量的各項要點，確保進入營運後能順利推進。 最終目標是說明如何依循 MLOps 的最佳實務訓練模型，並建置能順利部署、可重現且可於部署後進行監控的模型套件。
本章將探討關鍵的模型營運問題，例如： - 我們有哪些不同方式可以提供模型服務？ - 什麼是 API？它的關鍵功能是什麼？ - 在提供給最終使用者前，如何徹底測試我們的服務？ - 如何在不中斷服務的情況下更新正式環境中的模型？ 你將學到批次預測、即時預測、輸入與輸出資料驗證、單元測試、整合測試、金絲雀部署等主題，還有更多內容。
當前練習
最後一章將介紹 ML 服務在部署後的監控與維護，以及模型治理。 你會學到關鍵概念，如驗證延遲、共變異轉移、概念漂移、人類介入（human-in-the-loop）系統等更多內容。
