前言

• 鐵人賽是磨練自己技術能力的指標，2020 年參加鐵人賽自我挑戰組的「用Line聊天機器人串起多媒體系統」系列文，以初學者/自學者或大學一年級選修課程的程度梳理相關知識，部分內容拜 iThome 強大的 SEO 之賜，在自我挑戰組熱門文章前 10 有名，主題為介紹 Colab、Line Notify（依目前排序為: Day11、Day10、Day8），意識到自己的文章真的可以幫助到人，除了是自我肯定，也燃起繼續挑戰鐵人賽的想法。
• 本次挑戰主軸為 MLOps ，不同於前次鐵人賽程度設定，目標訂為對多媒體數據分析與應用有興趣，已初步有涉略 AI 相關領域、具有 ML / DL 建模經驗的學習者，約為相關領域大三程度的補充教材，您也許能認同版本控制、容器管理、 CI/CD 的強大，那認識 ML in Production 用於生產的機械學習、 MLOps 應能對就業準備與未來職務有所幫助。

這系列會談的內容及不會談的

• 會談的:
  • 如何從佈署機械學習至商業情境(ML in Production)，並關注佈署之後所需注意的資料品質、模型版本控制與剪枝、AI 可解釋力、錯誤分析、自動化 ML 到持續佈署，期待用 ML 專案生命週期的角度執行 MLOps 需要的。
• 不會談的:
  • AI 模型進展，像是 DNN、CNN、ResNet、BERT、Tramsform、GTP3 等模型內容不是此系列文關注焦點，假設您已對前述模模型有認識。焦點回歸到如何站在巨人肩膀上持續監控、優化產品服務體驗，實作時會援引模型，但偏重 ML/DL pipeline 的介紹。

會觸及的主題:

• ML in Production
• MLOps
• 負責任的AI
• 可解釋的AI
• 公平指標
• TFX
• TFDV (Data Validation)
• TFMA (Model Analysis)
• ML CI、CD、CT實踐
• ML解決方案

小結

• 期待您能跳脫研究AI模型已久的思維，也更有系統化的關注您的資料、佈署、營運及監控手段，那這系列目的就達到了，我們明天見!