CDF 基金會 MLOps 小組的白皮書中不斷提到，MLOps is not "putting Jupyter Notebooks into production environments". 因為 Jupyter Notebooks 在開發時非常地好用，但這類快速開發工具為了實現「快速」這件事，而犧牲掉一些需求，如可維護性、可測試性、可擴展性等。原文可在此連結中找到。所以在佈署階段時，讀者可以嘗試將現行 Jupyter Notebooks 開發環境的程式碼換成單純的 py 檔，再交由 MLOps 工具執行。

在資料庫的使用與管理上，由於訓練資料會不斷更新，因此需要一個資料庫來管理與記錄每個版本的變異。在版本控制上，如果需要對程式碼進行版本控制，多數開發者會使用 git 來管理，上傳的位置除了 github、gitlab 外，也可以考慮使用自行架設的資料庫做為存放位置，同樣也有 MLOps 的工具可以達成這些任務。

結論

看完以上導入前後的差異後，簡單做個結論：

若能成功導入 MLOps，其優點為：

1. 讓 ML 流程從資料到模型到上線的流程全自動化。
2. 妥善達到資源管理與流程分配目的。
3. 有效率的紀錄每次訓練版本的超參數、實驗結果、資料使用版本。
4. 團隊使用統一工具、平台開發，減少整合困難與時間成本。

不過，導入 MLOps 也有缺點為：

1. 有學習新工具的陣痛期。
2. MLOps 工具眾多，在挑選適合自己團隊的工具時，需要耗費不少時間成本進行搜集資料。

最後，這篇文章只說明 MLOps 如何改變既有的 ML 開發流程，至於有哪些 MLOps 工具可以使用，後續將有更詳細的 MLOps 工具介紹文章。

在未來，ML 將會改變現在的生活型態，諸多的產品應用也會因應 ML 而生，相信 MLOPs 的精神也會越來越被重視，甚或成為未來顯學，現在開始理解一定不遲！

完整內容 >> https://bit.ly/3zrP9JX
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）