這系列文將會分享自己在過去幾年 Applied Data Scientist 的工作經驗，隨著團隊不斷擴大，如何去建構一個和其他 Data Scientist 合作的工作模式與系統，對於 MLOps 是什麼我也還在探索之中，但會試著在這系列文中把這一個抽象的名詞 MLOps 描繪得更具體些，整個文章分成三區塊: Experiment, Serving, Monitoring，每一天文章會盡量以五分鐘的時間展開一個建模會用到的小主題/元件，並介紹需要建造什麼樣的 Service 來完成這個元件的目的 GOGOGO FIGHTING

為什麼要介紹 MLOps

MLOps 是 Machine Learning Operationalization 的縮寫，換句話說就是把一個 Deliver Machine Learning Solution 的過程自動化，變成一個可以重複被利用的流水線，很多的 Data Scientist 團隊或多或少都跑過這樣的流程：

1. Train Model
2. Validate Model
3. Deploy Model
4. Monitor Model
5. Retrain Model

這是一個對所有 DS 都不陌生的過程, 然而我們常常講整個過程寫在一個 Sagemaker Notebbok 中, 或是透過像是 AWS Sagemaker Console 介面去完成大部分的事情，這樣做有幾個缺點：

1. 實驗紀錄一多就亂掉了
2. 常常在重複造輪子
3. 很難與其他人合作
4. 整個流程的自動化程度很低

接下來 29 天主要的目的就是我們怎麼去解決這些問題，之後的文章會以一個 Fintech 公司常遇到的問題 -- 平台風險 -- 當做研究個案，來窺探整個系統，並去展開為什麼我們需要一個 MLOps 系統

什麼是平台風險?

對於一家網路公司，最常見的風險可以分成以下三種，我們分別用一些例子來描述：

1. 資安風險：通常是駭客藉由 API/ 程式碼漏洞，來獲取或是串改資訊：如中間人攻擊甚至是木馬程式植入
2. 資金風險：如果服務涉及資金流動，如何確保每次流動後資金不會莫名減少；或舉樂透設計為例，如何用機率來確保樂透公司不會虧錢
3. 平台風險：常見的像是社群媒體殭屍帳號洗評論，遊戲外掛，盜用用戶帳號等等

一個攻擊行為可能同時綜合了三種風險的漏洞，但我們先來聚焦平台風險

Fintech 常見的平台風險有哪些

FinTech (Financial Technology) 是指透過科技的手段讓金融服務變得更有效率，我在 2017 年開始接觸這領域，但我花了兩三年才知道這個有什麼重要，舉例來說台新 Richard 對我來說就是一個銀行的 APP，為什麼要特別把他冠上 FinTech 之名？後來我才理解到整個金融產業是非常嚴謹的，涉及錢的關係，不單單是要用 Decimal 來替代 Float Number，更注重安全與流程，這些需要用軟體創新都是不容宜的

話題拉回來，大多 FinTech 產品都會涉及錢的流動，就像是一個銀行，你會有存款和提款，或是一個卷商 APP，你會有入金跟出金，或是一個保險服務你會有購入及贖回，搭配剛剛說的平台風險，其中一個最大的風險就在於用戶沒有管理好自己的帳號密碼，導致密碼外洩，從而讓駭客有機可趁，登入並嘗試提走用戶停泊在 APP 內的資產

明天，我們會繼續討論如何透過 Data Driven 的方式來解決 用戶因為沒有管理好個人資訊而使得資產被盜的問題