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：iThome、Analytics India Magazine #1、Analytics India Magazine #2
（本文提供合作夥伴轉載。首圖來源：Pxhere）
