模型治理為在正式環境中執行的機器學習模型設定規則與控管。對某些模型來說,例如銀行用於信用風險評分的模型,法律會要求完整的治理架構。不過,即使沒有法規壓力,對要進入正式環境的內容與方式有「一定程度」的控管,仍然非常有價值。
你已經學過模型治理架構的核心要素與特色。
在本練習中,你的任務是將屬於治理範疇的基礎組成與不屬於治理範疇的其他 ML 概念區分開來,分別拖放到 True 或 False 的框中。
True
False
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。
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。
當前練習