摘要

　　這篇文章將首先定義什麼是 MLOps，並探討其將機器學習從概念轉化為實際運行系統的方法。接著，我們將介紹 MLOps 的整體生命週期，將其簡化為三個主要部分：發現（定義問題）、開發和部署。

MLOps 的定義

　　MLOps 是什麼？當被問到這個問題時，可以回答「MLOps 是將機器學習應用於工程實踐中的一套方法，將機器學習從純粹的技術與概念轉化為可實際運行的系統開發流程。」換句話說，我們可以說 MLOps 是一系列方法的集合，將 ML 和 DevOps 結合，除了涵蓋 ML 的技術本身，也包含 DevOps 重視協作與自動化的概念。
　　如果我們認同 DevOps 的核心之一是 CI/CD（持續整合/持續佈署），那在看待 MLOps 時，應該也可以想像這一方法集合中有很大一部份是為了讓 ML 系統能夠達成 CI/CD 的目的而生。原本存在於 ML 中的特徵工程、模型訓練、測試與驗證等環節，都會加入自動化與協作的概念，以確保模型在目標環境中能夠持續最佳化並穩定運行。

MLOps 的生命週期

　　完整的 MLOps 生命週期可以被簡化為三大部分：發現（定義問題）、開發、佈署，然後迭代這個循環。

發現

　　在這個階段，我們首先需要定義商業用例並進行資料探索。這意味著我們必須從問題的需求面（商業研究）和資料面（資料研究）雙重角度進行分析，以避免「垃圾進，垃圾出」。這一步是整個循環的核心，因為清晰的問題定義是後續工作的基石。
　　值得注意的是，在進行商業研究時，關係人通常不止一方，我們需要謹慎評估各方的需求並確定最適合的評估指標，例如來自市場部門和上級管理層的需求便可能有所不同。此外，還需要考慮模型開發所需的資源，包括資料收集、運算資源等，如果總投資額超過預估的產生價值，那可能意味著這個方案並不值得投入。
　　簡而言之，這個過程需要大量的討論和協調，也是整個流程中最能學習到非工程領域知識的部分。在這個階段，我們還會進行機器學習的可行性研究，開發一些原型來驗證這一系列開發計畫的可行性和價值，確保有足夠的理由和價值投入資源。

開發

　　接下來是開發階段，首先會建構資料管道並進行特徵工程，為模型訓練做好充分準備。隨後進入模型構建與訓練階段，這是整個循環的第一個關鍵決策點：評估。在這裡，我們不僅要對模型進行技術上的內部評估，還需要向內部關係人和監管團隊解釋並展示模型的結果，以證明開發階段所創造的價值。

佈署

　　在前面兩個階段我們分別向自己（機器學習可行性研究）與關係人（評估）證明了模型適用於目標環境的可能性，緊接著就是將模型投入生產，這也是 MLOps 關注的核心：如何自動化監視、測試、管理、維護機器學習模型的各個層面。
　　在這個階段，我們進入了第二個關鍵決策點：監視，意即在實際環境證明機器學習模型的可用性的時刻到了。需要注意的是，即使當下模型是有效的，也不可以掉以輕心，因為資料的分布會隨時間變化，例如，在資訊安全領域的惡意程式分類問題中，攻擊手法會像流行病毒一樣演變，隨著關鍵特徵隨時間變化，可能也將導致模型失去原有的效能，這也是為什麼我們需要持續監控模型的效能。
　　就如發現階段所述，我們定義問題時需要關注的不僅有資料面，也包含需求面。隨著時間推移，會改變的不僅有資料的特徵，業務需求也可能發生變化。當問題的核心改變，也意味著新一輪的迭代即將開始。

參考資料

• MLOps LifeCycle
• Day 06 : 什麼是 MLOps
• Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps CH1, CH8