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。

現代 MLOps 框架

ML 工作流程

MLOps 的效益

生命週期階段

應用程式 vs. 模型

退役（Decommissioning）

模型生命週期：重點回顧

MLOps 元件

自動化序列

儲存與登錄

DevOps 還是 MLOps？

MLOps 概覽

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。

以部署為導向的開發

為你的機器學習模型撰寫測試

開始部署的最佳時機

效能分析、版本管理與特徵倉儲

選項

正確

錯誤

Feature store 的屬性

Feature store

資料剖析（Data profiling）

資料剖析與 feature store 的好處

確保可重現性

CI/CD 中的模型建置管線

模型 pipeline

模型 BUILD pipeline

不同的 pipeline

模型建置流程的屬性

管線的輸入來源

管線的輸出儲存

CI/CD 整合

模型封裝

模型格式

模型套件

不屬於模型套件

完整套件

為部署而開發

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。

服務模式

離線還是線上？

當時間有點重要時

Building the API

用戶端與伺服器

API 功能

部署推進與測試

這是哪一種測試？

跨環境的推進順序

各環境的測試

模型部署策略

選對部署策略

風險順序

影子的影子

部署與執行

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。


監控 ML 服務

Shift 與 drift

延遲

已經了嗎？

監控與警示

監控系統

警示（Alerting）

模型維護

資料為中心 vs 模型為中心

Human-in-the-Loop

模型治理

治理的要素

治理的階段

風險分類

總結

監控與維護

探索現代的 MLOps 架構，包括機器學習模型的生命週期與部署。在本課程中，你會學到如何撰寫可降低技術債的 ML 程式碼，了解部署與監控模型所需的工具，並檢視你會遇到的各種環境與分析方式。

在你蒐集、準備並標註資料之後，對不同模型進行多次實驗，並用表現最佳的模型驗證概念，接下來就是下一步：建置、部署、監控、維護。當模型要進入正式環境時，這就是它的生命週期，也是 MLOps 中的 Ops 面向。

本課程會帶你掌握模型在創造價值的第二階段，為後續更多模型設定標竿。

<h2>MLOps 部署與生命週期管理</h2>

探索現代 MLOps 架構，深入了解機器學習模型的生命週期與部署流程。 在本課程中，您將學習如何撰寫能夠減少技術債務的機器學習（ML）程式碼，了解部署與監控模型所需的工具，並探討您將會遇到的各種環境與分析類型。

<h2>了解 MLOps 生命週期</h2>
在您完成資料的收集、準備與標註，針對不同模型進行多次實驗，並以最佳模型驗證您的概念後，接下來就是邁向下一個階段的時刻。 打造。 部署。 監控。 維持。 這就是您的模型在準備投入生產環境時所經歷的生命週期。 這就是 MLOps 中的 Ops 部分。

本課程將帶您深入了解模型價值實現旅程的第二階段，為未來更多發展樹立標竿。 您將從探索 MLOps 生命週期開始，了解 MLOps 的重要性，以及模型開發、部署、監控與維護的關鍵功能組成。
<h2>開發可部署的機器學習程式碼</h2>
接下來，您將學習如何開發可部署的模型，撰寫高效的機器學習程式碼，善用各種工具，並訓練機器學習流程。 隨著學習進展，您將學習如何部署您的模型，深入探討各種部署環境及其適用時機。 您還將學習如何制定替換現有生產模型的策略，並深入探討 API。
<h2>學習如何監控您的模型</h2>
在完成本課程後，您將深入了解監控與維護機器學習模型時不可或缺的效能指標。 您將學習如何在實際運作中進行漂移監控，以及模型回饋、更新與治理。

完成本課程後，您將了解如何運用MLOps生命週期，將自己的模型部署到生產環境中。


MLOps Concepts

在此課程中，您將探索現代MLOps框架，了解機器學習模型的生命周期和部署。

MLOps 部署與生命週期

掌握現代MLOps框架，深入了解機器學習模型的生命週期與部署。 

機器學習工程師

MLOps 基礎

開始部署的最佳時機

MLOps 部署與生命週期

動手互動練習