機器學習導入手冊 是做什麼的？
這項技能提供一套適合性方法，用於將機器學習模型實作到現有的軟體工程專案中。它透過結構化機器學習應如何被研究、解耦、訓練與整合，來彌補傳統軟體工程與MLOps之間的鴻溝。
啟用時機
- 使用者要求在其現有程式碼庫中「加入機器學習」或「加入演算法」。
- 規劃將新模型（例如推薦、分類、預測）整合到非機器學習應用中。
- 為代理建構、訓練與部署機器學習元件建立具適應性的工作流程。
第一階段：問題定義與可行性評估
在編寫模型程式碼之前，先確立「為什麼」與「如何做」。
- 啟發式檢查：詢問使用者是否可以用簡單的啟發式方法（例如正規表示、基於規則的排序）更快解決問題。如果可以，從那裡開始。
- 指標定義：定義機器學習模型試圖改善的業務指標（例如點擊率、降低延遲）。
- 錯誤預算：定義「糟糕的」預測長什麼樣子，以及系統應該如何處理它。
第二階段：資料準備
沒有乾淨、可存取的資料，機器學習就毫無用處。
- 稽核資料來源：找出訓練資料存放在哪裡。是即時資料庫、靜態CSV檔案，還是API？
- 資料契約：為輸入資料建立結構定義。需要哪些特徵？如果某個特徵遺失了會怎樣？
- 防範資料洩漏：確保使用者提議的資料分割方式不會意外將未來資訊洩漏到訓練集中（例如對時間序列資料進行時間順序分割）。
第三階段：架構整合與解耦
不要將模型推論與核心業務邏輯緊密耦合。
- API邊界：建議將模型放置在API端點後面（例如使用
fastapi-patterns或django-patterns）或專門的服務類別中。 - 備援機制：設計一個預設狀態。如果模型回應時間過長或拋出錯誤，系統必須能優雅地退回至硬編碼的規則。
- 功能切換：將新的機器學習推論呼叫包裹在功能切換中，以便安全地逐步推出（或回退）。
第四階段：模型實作與訓練
為可重現性與迭代性來結構化程式碼。
- 從簡單開始：先建立一個基礎模型（例如簡單的 scikit-learn 邏輯迴歸，或精簡的 PyTorch 線性層）。
- 可重現性：應用
pytorch-patterns或類似最佳實務：設定隨機種子、使程式碼與裝置無關、並明確記錄張量/陣列形狀。 - 自動化證據：要求為資料轉換與推論結構寫測試。不接受沒有評估腳本（用於與基礎模型比較）的模型。
第五階段：交接至MLOps
一旦基礎模型整合完成，就將焦點轉移到持續營運上。
- 參考
mle-workflow：引導使用者設定實驗追蹤、模型註冊與漂移偵測。 - CI/CD：將模型評估步驟加入現有的CI管線中，以確保未來的提交不會降低模型效能。
迭代代理工作流程
當透過此手冊協助使用者時，代理應：
- 在提出架構之前，提出釐清問題以完成第一階段。
- 在第二階段起草資料契約供使用者核准。
- 在第三階段撰寫訓練迴圈之前，先寫解耦介面（API/服務）。
- 在第四階段交付一個可重現的腳本，該腳本會訓練模型並儲存產出檔案。