如同你所學到的，模型治理沒有單一通用的做法。
每增加一項控管都可能拖慢專案，並提高 ML 服務的最終成本，所以只在真正必要時才應加入。
這個流程的第一步之一，是把目標模型歸類到適當的風險等級。
不論你使用 3 個風險等級（低、中、高）、5 個或 10 個，我們通常會根據兩個問題來分配模型：
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
