系列主旨

將 AI 模型從研究室導入產線，建立自動化 CI/CD、版本控管與監控的全流程 MLOps 管線。

Part 1：模型版本控管

目標

追蹤模型訓練資料與版本。

技術：DVC、MLflow

流程圖描述：

資料/程式 → DVC 追蹤 → MLflow 紀錄 → Model Registry

程式碼

dvc init
dvc add data/train.csv
mlflow run .

Part 2：CI/CD 自動化流程

目標

自動測試與部署模型。

技術：GitHub Actions, Jenkins

流程圖描述：

Push → 自動測試 → 建構映像檔 → 部署 → 驗證

程式碼

name: ml-ci
on: [push]
jobs:
  build:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v2
      - run: pip install -r requirements.txt
      - run: pytest

Part 3：容器化與雲端部署

目標

讓模型能快速擴展與部署。

技術：Docker, Kubernetes

流程圖描述：

模型 → Docker Image → Container Registry → Kubernetes Pod → API

程式碼

FROM python:3.10
COPY . /app
RUN pip install -r requirements.txt
CMD ["python","app.py"]

Part 4：監控與回訓機制

目標

確保模型上線後持續穩定運作。

技術：Prometheus, Grafana, Airflow

流程圖描述：

模型預測 → 收集實際標籤 → 評估 → 若性能下降 → 觸發再訓練

程式碼

from airflow import DAG
from airflow.operators.bash import BashOperator

dag = DAG('retrain', schedule_interval='@weekly')
BashOperator(task_id='retrain_model', bash_command='python train.py', dag=dag)

結論與效益

MLOps 能縮短模型上線時程，降低維護成本並確保品質一致。