採用 MLOps 思維

Developing Machine Learning Models for Production

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

MLOps

  • 將 ML 工作流程從實驗到上線自動化並精簡化
  • 確保 ML 實驗經妥善測試，隨時可部署並擴充

mlops

Developing Machine Learning Models for Production

ML 實驗

ML 實驗包含測試多個模型並判斷哪個最佳

  • MLOps 涵蓋模型試驗
  • 於不同資料集上評估模型
  • 謹慎的模型選擇很關鍵
  • 選擇流程可能耗時
  • 有助專案成功
Developing Machine Learning Models for Production

從實驗到上線

forest

什麼樣的 ML 實驗適合上線？

  • 以合適指標完成測試與驗證
  • 文件完整
  • 已建立監控機制
  • 上線環境安全且可擴充
Developing Machine Learning Models for Production

為何多數 ML 實驗會失敗

造成這種情況的原因很多：

  • 目標與需求不明確
  • 資料品質不佳
  • 模型架構過於複雜
  • 訓練資料不足
  • 過擬合或欠擬合
Developing Machine Learning Models for Production

技術債

倉促撰寫、缺乏測試與驗證，或文件遺漏／不完整／過時的程式碼

  • 若未及早處理，可能導致高成本錯誤或臭蟲。
  • 從一開始就撰寫良好程式碼與文件，避免技術債。

good_kitty

Developing Machine Learning Models for Production

一起來練習吧！

Developing Machine Learning Models for Production

Preparing Video For Download...