AI 方法論知識地圖 · 部署與維運
建立 CI/CD
持續整合/部署
觀念教學
模型改一版就要重測、重打包、重上線 — 手動做十次總會出一次包,CI/CD 把這條路鋪成自動化輸送帶。
核心觀念
CI/CD(Continuous Integration / Continuous Deployment,持續整合/持續部署)自動化模型的訓練、測試、部署流程:程式或資料一更新,管線自動跑版本控制 → 自動測試 → 模型註冊 → 自動部署。在 MLOps 裡再加上 CT(持續訓練),三個「持續」才算完整閉環。
白話理解
金融風控團隊每週更新模型:工程師推送新程式,CI 自動跑程式測試與資料驗證;通過後 CD 自動把新模型註冊、部署到預備環境,再漸進切流量。人只負責審核,不負責搬運。
管線四站
- 版本控制:程式、資料、模型組態全部進版控,壞了能回滾
- 自動測試:除了測程式,還要驗資料品質與模型效能門檻 — 這是 ML 管線比純軟體多出的部分
- 模型註冊:通過驗證的模型存入註冊表,記錄版本與指標
- 自動部署:金絲雀(Canary)或藍綠部署漸進上線,出事秒回滾
管線健康度用三個指標量:部署頻率(多久能上一版)、部署成功率(上版不翻車的比例)、Lead Time(從提交到上線的時間)。
🎯 口訣:CI 管整合測試、CD 管自動上線、CT 管自動重練 — 少一個都不算閉環。
iPAS 考點
考縮寫對應:CI = 持續整合(測試程式與資料)、CD = 持續交付/部署(自動部署模型)、CT = 持續訓練(自動觸發再訓練)。陷阱是把 CT 說成傳統 DevOps 原有環節 — 錯,CT 是 MLOps 才加上的。情境題給「模型更新頻繁、人工部署常出錯」,答案方向就是建立 CI/CD 自動化管線。
應用場景
評估指標
iPAS 歷屆考題詳解(3 題)
先自行作答,再展開詳解。題目出處均為 iPAS AI 應用規劃師正式考題,著作權屬原主辦單位。
某AI開發團隊為提升模型開發效率及品質控制，計畫實施持續整合（Continuous Integration, CI）流程。下列哪一項做法最符合 CI的核心實踐，且能有效減少整合風險？
- A在主分支（Main Branch）每日固定時間手動合併並執行完整測試流程
- B每次程式碼提交（Commit）後自動觸發建置、單元測試及靜態程式碼分析
- C於模型訓練完成後，定期安排開發團隊回顧並合併程式碼
- D透過自動化部署腳本，將模型在特定時間點批次釋出到測試環境
看正解與逐選項詳解
正解:B
某電商平台的演算法工程師開發了一個新版商品推薦模型，在離線 A/B 測試中，新模型的各項評估指標（AUC、NDCG@10）均顯著優於現行線上模型。然而，離線測試無法完全反映真實使用者的互動行為（點擊、購買、停留時間）。在正式全面上線前，若希望在可控制風險下量化真實業務指標，應採用下列何種線上驗證策略？
- A影子模式（Shadow Mode）：新舊模型同時產生預測，但僅顯示舊模型結果，於後端比較輸出差異
- B回測（Backtesting）：使用歷史日誌模擬模型表現作為上線依據
- C金絲雀發布（Canary Release）：將1–5%使用者流量導向新模型，量測 CTR、CVR 等指標並逐步擴量
- D負載測試（Load Testing）：於測試環境進行高流量壓力測試後直接全面上線
看正解與逐選項詳解
正解:C
某電商平台將新的推薦模型部署至線上系統，為降低風險，團隊採用漸進式部署策略（Phased Rollout），先將新模型流量從 5%逐步提升至 100%。在部署初期，團隊發現轉換率（Conversion Rate）略有提升，但在流量提升至 30%時，系統延遲（Latency）明顯上升，且部分使用者體驗變差。請問在此情境下，最適當的下一步策略為何？
- A立即將新模型全面部署至 100%，以觀察整體效果並評估系統表現變化
- B還原（Rollback）至舊模型並停止新模型測試流程，以確保系統穩定與使用者體驗品質
- C維持目前 30%流量並持續觀察，即使延遲問題存在也暫不進行調整
- D暫停流量提升，針對延遲問題進行效能分析與優化後再繼續部署
看正解與逐選項詳解
正解:D