如上圖所示，在選定一個適合以 AI 解決的題目後，我們會進行資料的前處理與模型開發。當模型完成開發後，則會進行驗證，如果模型通過驗收可上線的標準，就會進行佈署上線。

那麼，各個步驟的主要功能又是什麼呢？以下我們試著用簡潔的文字說明：

• 定義題目：將題目轉化成能用 ML 解的題型，並決定驗證標準。
• 資料前處理：針對資料的處理都會在這一塊，目的在於透過資料前處理，讓模型學習到更好的成績。
• 建立模型：包含選擇模型、調整超參數。
• 模型驗證：評估模型表現是否達到要求。
• 佈署上線：將 ML 模型整合到產品之中，此階段可能會需要軟硬整合或多項專業結合，才能使模型產品化。

如果在模型驗證階段發現模型效果不如預期，則可能會回到資料前處理或建立模型的步驟重新調整，重複這樣的步驟，直到得到一個可行的模型；最差的情況是回到定義題目，重新把題目訂得更簡單、更容易完成。所以可以得到以下這張圖：

接著，我們將每一個區塊拆成較細的步驟如下圖，這裡要特別注意，模型驗證如果沒有得到較好的分數，可能會回到資料前處理的階段，再次重新進行。但是，這裡為了讓構圖看起來清晰，並未在圖中標明此細節。我們將在第三部分繼續針對此圖進行講解。讀者若想對每一項目的細節深入探討，可以自行搜尋相關內容細節，而這篇文章主要針對 MLOps 部分仔細說明。

完整內容 >> https://bit.ly/3MLfvtB
Line 官方帳號，看最新技術文章：https://user137910.pse.is/aif2024ironman

（撰稿工程師：王維綱）