coding

MLOps 是近年很常出現的名詞,它是 ML(機器學習)與 DevOps(開發與維運)的結合,指的是從 AI 模型訓練到上線的一套完整 ML 工作流。若要成為專業的 MLOps 工程師,需要具備怎樣的技能?

MLOps 工程師需要怎樣的技能?

智慧分析與 AI 平台解決方案經理 Hamsa Buvaraghan 認為,MLOps 工程師需要具備堅實的 coding 能力,以及 ML 專業知識,包含 scikit-learn、Tensorflow、Keras 等 ML 框架的經驗。

此外,MLOps 工程師也要有管道建立、擴展 ML,以及將模型帶到應用場域的經驗;還要有幫助組織落實架構、系統等能力,以確保模型的順利部署。

若要成功部署 ML 模型,很大程度取決於這兩個關鍵因素:程式碼、數據。MLOps 工程師需要了解這兩者的關係。數據是真實世界的資料,會不斷變化;程式碼則是在受控的環境中,開發出來的架構與系統,而彌合數據與程式碼的差距,是 ML 流程的重要挑戰。

另外,企業 ML 的應用是為了滿足商業需求,因此 MLOps 工程師也需要注意業務相關的 KPI。這類 KPI 需要密切追蹤,並藉此優化 ML 模型,確保 ML 的投資能帶來足夠的回報。

♦ TO 推薦閱讀:想學量子電腦 coding 技術,開發者必須掌握這 5 個技能!

9 本 MLOps 書籍幫工程師快速上手

ML、DevOps 都是專業領域,而結合兩者的 MLOps 更是高強度的專業,工程師需要具備數據分析、模型開發、測試、整合、部署、維運等知識。外媒 Analytics India Magazine 整理 9 本 2021 年度的 MLOps 書籍,給工程師們參考:

1、Machine Learning Engineering

此書是目前最完整的應用人工智慧書籍之一,內有大規模建構可靠機器學習解決方案的最佳實踐和設計模式。

• 書籍傳送門

2、ML Ops: Operationalizing Data Science

許多分析與 ML 模型並未進入生產階段,而此書解說導入 ML 的四步驟:建構、管理、部署/整合、監控,幫助讀者導入 ML 模型。

3、Building Machine Learning Powered Applications

此書分為四大部分,分別為如何規劃 ML 應用,如何建立 ML 模型,如何改進模型,以及部署與監控策略,協助讀者打造 ML 驅動的應用程式。

• 書籍傳送門

4、Building Machine Learning Pipelines

透過本書,讀者能學習如何使用 TensorFlow 生態系,實現機器學習管道自動化。

• 書籍傳送門

5、Practical MLOps

這本書帶讀者了解什麼是 MLOps,以及它與 DevOps 的差別,並解釋如何操作 ML 模型,是 MLOps 工具與方法的入門書。

• 書籍傳送門

6、Introducing MLOps

透過本書,讀者能理解 MLOps 的關鍵概念,有助於操作 ML 模型,並隨著時間的推移優化模型。

• 書籍傳送門

7、Beginning MLOps with MLFlow: Deploy Models in AWS SageMaker, Google Cloud, and Microsoft Azure

本書涵蓋 MLFlow 以及將 MLOps 整合到現有程式碼中的方法,以追蹤指標、參數、圖形和模型。

• 書籍傳送門

8、What Is MLOps?

本書介紹數據科學 – ML – AI 專案的生命週期,涵蓋 ML 模型的建構,AI 專案生命週期的監測等。

9、Engineering MLOps

本書提供真實的案例,分享深入的 MLOps 知識,以幫助讀者寫程式,訓練強健和可擴展 的ML 模型,並建構 ML 管道,用以訓練並部署模型。

• 書籍傳送門

科技不斷發展,為了趕上市場需求,許多工程師一直在努力學習最新的程式、開發等技術。MLOps 是近年快速發展的領域,帶給工程師挑戰,但也帶來新的職涯發展機會。

♦ TO 推薦閱讀:一定要學程式嗎?如果你是主管,更需要培養「no-code」的能力

參考資料:iThomeAnalytics India Magazine #1Analytics India Magazine #2

(本文提供合作夥伴轉載。首圖來源:Pxhere