今天不長篇大論，要幫 AI 鍊金術師 - 「資料科學家」請命！
其實，還有「機器學習模型工程師」，但是在高監管行業快見不到他們的身影了，因為相關環境整備不足。

這是網路上常見的 MLOps 工作流程圖

充分反應 AI 時代，資料的關鍵地位。
沒有好的資料，就沒有好的演算法程式碼。

圖片來源：https://www.bitstrapped.com/blog/mlops-lifecycle-explained-by-stages

這是台灣高監管行業常看到的 MLOps 環境，我們只想到要招募資料科學家，但是相關實驗環境卻未配套規劃

很多高層覺得資料科學家，只需要一台筆電就能寫出演算法。

我們常見大型企業存在 System Integration Test (SIT )測試網段、Production (PRO)正式網段，User Acceptance Test(UAT) 常常作為測試階段來理解，為節省經費沒有配置 UAT 網段，甚至沒有專屬系統，直接在 SIT 網段上的 SIT 系統上進行 UAT 案例。

加上預算編列時，SIT 環境的系統常以最小規格為基準，因此 SIT 網段是無法裝下模型訓練需要的全量資料的！所以，資料科學家需要的實驗環境經常在正式環境與測試環境之間，被推來推去。

圖片來源：筆者自製

台灣高監管行業應為 MLOps 設置 UAT 網段與專屬實驗環境

高監管行業的 PRO 網段，為了資訊安全與系統穩定性，規範上禁止開發與測試作業。
因此，讓資料科學家使用正式網段上的系統，進行模型訓練並不恰當。

AI 時代 LLM 靠資料長大

請所有大企業高層正視這個問題！不要再繼續搞 PRO 網段黑戶，或是在 SIT 網段擠沙丁魚！請如下圖，給予資料科學家與機器學習模型工程師一個合規完善的實驗環境，他們才能為企業好好煉金！

圖片來源：筆者自製