在 Reference 的這篇文章 提到兩個經典的 deployment patterns，在鐵人賽即將結束時，重新檢視一下。

模型是由程式碼建立的，但是產生的模型 artifacts 和建立它們的程式碼可以非同步的運作。也就是說，新的模型版本和程式碼變更可能不會同時發生。例如，考慮以下情況：

• 為了偵測詐欺交易，你開發了一個 ML pipeline，每週重新訓練一個模型。程式碼可能不會經常變更，但是模型可能每週重新訓練一次，以納入新的資料。

• 你可能會建立一個大型的深度神經網路來分類文件。在這種情況下，訓練模型是計算密集型和耗時的，重新訓練模型可能不會經常發生。但是，部署、服務和監控此模型的程式碼可以在不重新訓練模型的情況下更新。

這兩種 patterns 的差異在於模型 artifacts 或是產生模型 artifacts 的訓練程式碼，哪一個會被推上 production。

Deply code (建議)

將有關 model training (or workflow) 相關的程式碼作佈署。好處有：

• 以公司組織面來看，production data 的存取權限受到限制，這個 pattern 允許讓模型在 production data 上訓練。

• 自動化的模型重新訓練更安全，因為訓練程式碼是經過審查、測試和核准的。

• 支援程式碼遵循相同的模式，模型訓練程式碼也是如此。兩者都會在 staging 環境中進行整合測試。

缺點：

• data scientist 需要學習如何佈署程式碼到 production 環境中。透過 Predifined project templates and workflows 來幫助。

Reference:

• https://docs.databricks.com/en/machine-learning/mlops/deployment-patterns.html