鐵人檔案
延續 2021 年鐵人賽《從 AI 落地談 MLOps》的探索，本系列再次追問：「AI 如何真正落地？」並以 4,343 筆 AI 相關職缺為線索，重新檢視企業所需的技術與能力。內容採 MLOps × GenAI Engineering 雙主軸，涵蓋資料與模型管理、自動化部署、監控治理、RAG、模型評測、LLMOps 與 AI Agent。透過可執行的專案串聯觀念與工具，帶領讀者打造可部署、可維護、可觀測的 AI 系統，逐步建立 AI Engineer 所需的工程能力。(開賽截止前再次回歸)
2021 年，我在鐵人賽寫了《從 AI 落地談 MLOps》（GitHub）。那 30 天在回答一個問題：模型訓練好了，然後呢？ 五年後，這個問題不但沒有過期，...
昨天提到，這一系列文章是從真實需求出發，透過整理新興 AI 職缺，我觀察到目前市場上的 AI 人才需求，已逐漸分化成兩類不同的職務方向。今天，就想進一步和大家分...
昨天我們確認了就業市場的徵才概況。今天要處理一個很多人心裡的疑問：這些事，不是資料科學家、DevOps、後端本來就在做的嗎？為什麼要多兩個職務？ 這個問題很好，...
三天下來我們確認了：市場要什麼（Day 02）、誰負責什麼（Day 03）。今天是第一部曲的收尾，也是最實用的一篇——把職缺梳理成您能照著走的路。 今天要解決的...
「在我電腦上明明跑得起來啊。」 這句熟悉的對話日常，在 ML 系統會是場災難，因為 ML 多了兩個變數：資料與模型權重。第一部曲我們將 AI 職缺目前在市場...
昨天把開發環境的地基打好了。今天要處理一個更根本的認知問題：ML 專案跟一般軟體專案，到底哪裡不一樣？ 這個問題如果答不好，你會用寫 Web 服務的方式做 ML...
今天只聚焦在 Token 怎麼計價、生成怎麼進行、模型怎麼選這三件事，會直接影響你系統設計與帳單，也可能導致容易做出錯誤架構決策的部分。 本篇不會重講 Tran...
2021 年那套成熟度模型，在 2026 年還適用嗎？ 我的答案是：框架適用，內容要改寫。 本系列為 MLOps × GenAI Engineering 雙主軸...
昨天的成熟度診斷中，第 2 題（訓練前自動檢查資料）與第 4 題（重現三個月前的訓練）是最多團隊答「否」的兩題。今天就處理這兩題。 Day 06 說過可重現需要...
昨天資料有了版本。今天處理另外兩根柱子：這次訓練用了什麼設定、跑出什麼結果、產出的模型在哪裡。 這是 Day 08 診斷表第 3、5 題的內容，也是導入成本最低...
