AI 模型不像一般程式碼，只是檔案更新或功能上線那麼簡單。
它涉及：

• 不同資料集訓練出來的多個版本
• 模型輸出行為的不可預測性
• 上線時需兼顧效能與品質監控

因此，我們需要一個完整的 版本控管（Versioning） 與 持續部署（Continuous Delivery, CD） 機制，
讓每次模型上線都「可控、可回滾、可觀測」。

🔹 為什麼模型需要版本控管？

在開發過程中，我們會反覆：

• 收集新資料重新訓練
• 微調模型參數
• 嘗試不同演算法

如果不做版本控管，會出現：

• 模型覆蓋問題：不清楚目前服務用的是哪個版本
• 回滾困難：新版表現不佳時無法快速恢復
• 資料對應錯亂：無法追蹤某模型是基於哪批資料訓練出來的

✅ 模型版本控管應包含：

🔹 模型版本控管工具與實作方式

🧩 1️⃣ MLflow Model Registry（Azure / 自架）

MLflow 是目前最流行的開源模型管理工具。
它提供：

• 模型版本管理（Model Registry）
• 評估記錄（Metrics & Parameters）
• 標記狀態（Staging / Production / Archived）

📘 範例：

import mlflow

mlflow.set_tracking_uri("azureml://your-workspace")
mlflow.set_experiment("Churn-Prediction")

with mlflow.start_run() as run:
    mlflow.log_param("max_depth", 6)
    mlflow.log_metric("accuracy", 0.92)
    mlflow.sklearn.log_model(model, "model", registered_model_name="ChurnModel")

這樣你就能在 Azure Machine Learning Studio 中看到版本化紀錄，
並透過 UI 控制模型升級或回滾。

2️⃣ Vertex AI Model Registry

Google 提供原生版本管理機制：
每次上傳模型時，系統會自動建立新版本，並記錄訓練資料與環境。

📘 範例：

gcloud ai models upload \
  --region=us-central1 \
  --display-name="fraud-detection" \
  --container-image-uri=us-docker.pkg.dev/vertex-ai/prediction/sklearn-cpu.1-0:latest

上傳後你可以用：

gcloud ai models list

看到每個版本的部署狀態、訓練來源、及使用的 Artifact。