在進行 Machine Learning 自動化架構之前，我們至少要了解整個 Machine Learning 開發週期需要做哪些事，哪些是手動處理的，是否有機會轉變為自動化，完整的生命週期，大概可以分為兩大區，第一個是 Training 階段，第二個是 Serving 階段。

• Training 階段，又可以在切分為 Model 開發跟 Model 訓練兩個部分，算是 Data Science 主要的的防守範圍。
• Serving 階段，又可以在切分為 Model 持續整合部署和持續監控兩個部分，算是 DevOps 的防守範圍。

至於要如何跟訓練完的 Model 互動，我們可以請 Data Science 將 Model 儲存成 save_model，這個階段你會得到一個資料夾，然後你就可以用 Tensorflow 的函式庫與 Model 互動，將 Model 需要的資料透過函式參數傳給它，接著你可透過函式的回傳值得到預測的結果。

model = tf.keras.Sequential([
    tf.keras.layers.Dense(5, input_shape=(3,)),
    tf.keras.layers.Softmax()])
model.save('/tmp/model')
loaded_model = tf.keras.models.load_model('/tmp/model')
x = tf.random.uniform((10, 3))
assert np.allclose(model.predict(x), loaded_model.predict(x))

參考資料

• tf.keras.models.save_model

• ML Ops Best Practices on Google Cloud (Cloud Next '19)