iT邦幫忙

鐵人檔案

2021 iThome 鐵人賽
回列表
AI & Data

從 AI 落地談 MLOps 系列

行百哩路半九十,即便各種先進的AI模型如雨後春筍般化為現實,AI成功落地佈署至商業情境仍是困難重重,營運中的商業服務如何調整其ML算法,讓服務經得起時間及使用者的考驗,必須反覆推敲範疇、資料、模型及佈署的問題,進一步而言,有沒有關於AI落地、ML in Production、MLOps的解決方案?

既然佈署機械學習ML的工程實務逐漸歸納並越受重視,也多虧軟體工程DevOps精神興起與CI/CD實務越漸普及,本系列期待透過鐵人賽將系列知識做個梳理,拋磚引玉,協助銜接ML商務落地的一哩路,以及對AI有志趣者,補充除了AI建模以外需要關注的面向。

鐵人鍊成 | 共 30 篇文章 | 18 人訂閱 訂閱系列文 RSS系列文
DAY 1

Day 01 : 這系列文在做什麼-緣起

前言 鐵人賽是磨練自己技術能力的指標,2020 年參加鐵人賽自我挑戰組的「用Line聊天機器人串起多媒體系統」系列文,以初學者/自學者或大學一年級選修課程的程...

2021-09-01 ‧ 由 威利斯 分享
DAY 2

Day 02 : 用於生產的機械學習 ML in Production

ML 就像孩子一樣,孩提時百般呵護,長大時不得不面對外界的殘酷。佈署到商務情境的 ML 模型,某方面像是放飛的孩子,既期待又怕受傷害,如果沒有持續的引導、學習、...

2021-09-02 ‧ 由 威利斯 分享
DAY 3

Day 03 : ML in Production 的挑戰

在 Day2 提到什麼是用於生產的機械學習 ML in Production ,今天來談用於生產的機械學習所遇到的挑戰,主要挑戰包含: 要是整合性的機械學習系...

2021-09-03 ‧ 由 威利斯 分享
DAY 4

Day 04 : 以資料為中心的人工智慧 Data - Centric AI

垃圾進垃圾出「 Garbage in, garbage out 」,不去檢視垃圾有多垃圾的情況下,用再好的模型都是垃圾! Day 03 有提到 AI 數據...

2021-09-04 ‧ 由 威利斯 分享
DAY 5

Day 05 : ML 專案生命週期

從無到有開發 ML 專案到佈署需要 6 至 12 個月不等,在尚未有具體產出的過程中,會有對內部及外部說明進展的機會,能有架構、系統的與合作對象說明是很重要...

2021-09-05 ‧ 由 威利斯 分享
DAY 6

Day 06 : 什麼是 MLOps

各種商務情境都在思考如何融入 AI 提供更適切的智慧化服務,在Day 04 : 以資料為中心的人工智慧 Data-Centric AI 介紹透過關注資料為中心的...

2021-09-06 ‧ 由 威利斯 分享
DAY 7

Day 07 : MLOps 的挑戰與技術要求

在 Day 06 引用與介紹 3 個 MLOps 相關定義,如果 MLOps 是一種工程文化與實踐,旨在 ML 系統開發與 ML 系統操作,實際遇到的挑戰與技術...

2021-09-07 ‧ 由 威利斯 分享
DAY 8

Day 08 : ML 工程師職責與分工

資料團隊組建 當各行業意識數據帶來業務成長新動能時,追求卓越的企業意識到要充分運用企業數據,必須組建專門數據團隊,期待專業團隊具有提煉數據價值的慧眼,也期待落...

2021-09-08 ‧ 由 威利斯 分享
DAY 9

Day 09 : 用於生產的機械學習 - 定義範疇 Scope

在 Day 05 ML 專案生命週期介紹分為 4 個階段與 7 大主題,第 1 個階段為「定義範疇 Scoping」,相較其他 3 個階段,Scoping 較...

2021-09-09 ‧ 由 威利斯 分享
DAY 10

Day 10 : 用於生產的機械學習 - Data Define 與建立基準

接續介紹 ML 專案生命週期,本日說明第 2 階段「資料 Data」的工作流程,依其說法分為2大步驟,分別為「定義資料及建立基準」及「標註及特徵工程」。是4個...

2021-09-10 ‧ 由 威利斯 分享