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。