各位朋友們好：

雖然這兩年生成式 AI 成為熱門討論話題，甚至有不少人誤以為生成式 AI 就是 AI。但實際上，對於很多 AI 工程師而言，如何讓企業內部的各種 AI 系統能夠被有效管理、產生最佳效能，才是日常工作的重點。而其中，好的 MLOps 設計是不可或缺的關鍵。

MLOps 是機器學習（ML, Machine Learning）以及 DevOps、也就是開發 （Development）和維運（Operations）所組成的概念，希望結合這三者，從 ML 的開發、驗證到佈署上線，都能自動化完成並快速維運產品。

簡單說，MLOps 的功能是持續管理產品中機器學習模組，整合了 ML 商業化時所需應用的技術與非技術元素，並在市場上保有競爭力且生存下去。所以，只要產品與機器學習相關、有持續穩定維運的需求，就必須注意 MLOps。

本週電子報就跟大家分享 MLOps 專輯，特別與 HPE、AMD 共同合作，介紹 HPE 的 MLDM+MLDE 完整生態系工具，如何使得每次實驗結果與開發流程更容易管理。不熟悉技術的朋友們也不妨花點時間閱讀，可以更理解 MLOps 的定義與流程。

人工智慧科技基金會執行長 溫怡玲

本期目錄

• MLOps 工具介紹：常見的資料管理工具
• 由開發團隊的需求出發，從無到有設計一個實用的 MLOps 系統
• 從資料到模型，以 MLOps 精神實作 AI 模型訓練

MLOps 工具介紹：常見的資料管理工具

隨著開發過程持續推進，通常會產生大量版本的程式碼，因此會使用版本控制工具來追蹤這些程式碼，以利後續維護。除了程式碼，訓練資料也需要進行版本控制。目前市面上能見度較高的產品包括 DagsHub、DVC、Dolt、Git LFS、LakeFS、Neptune、HPE MLDM、Delta Lake，本文主要分享最多人使用與討論度較高的幾個工具。

由開發團隊的需求出發，從無到有設計一個實用的 MLOps 系統

在設計 MLOps 系統時，主要會以開發團隊目前的機器學習專案開發流程為基礎，並以此設計系統。本文將從開發團隊的需求出發，依序先介紹 MLOps 系統的基本功能需求，並據此挑選套件，最後利用這些套件搭建一個實用 MLOps 系統。幫助讀者快速暸解一個實用的 MLOps 系統的設計過程。

從資料到模型，以 MLOps 精神實作 AI 模型訓練

我們使用 HPE MLDM 與 MLDE，讓模型開發專案從資料前處理到模型訓練都進行版本控制，也做到資料前處理與模型超參數調整的自動化。這篇文章我們將著重在結合 MLDM 與 MLDE 實作模型的訓練，從前處理到模型訓練都在版控環境中執行，讓開發過程更順暢。