MLOps Pipeline MLOps Workflow — สร้าง ML

MLOps Pipeline

MLOps Pipeline Workflow Data Pipeline Model Training Experiment Tracking Registry CI/CD Deployment Monitoring Retraining Feature Engineering Production

Stage	Tool	Input	Output	Automation
Data Ingestion	Airflow / Dagster	Raw data sources	Clean dataset	Scheduled daily
Feature Engineering	Feast / Custom	Clean dataset	Feature vectors	Pipeline step
Training	PyTorch / sklearn	Features + labels	Trained model	Triggered
Evaluation	MLflow / custom	Model + test data	Metrics report	Auto after train
Registry	MLflow Registry	Best model	Versioned model	Auto promote
Deployment	BentoML / Seldon	Registry model	API endpoint	CI/CD pipeline
Monitoring	Evidently / WhyLabs	Predictions + actuals	Drift alerts	Continuous

เคล็ดลับ

MLflow: ใช้ MLflow Track ทุก Experiment ตั้งแต่วันแรก
Version: Version Control ทั้ง Code Data Model
Monitor: ติดตาม Data Drift และ Model Performance ใน Production
Automate: เริ่มจาก Level 1 แล้วค่อยๆเพิ่ม Automation
Test: เขียน Unit Test สำหรับ Data Pipeline และ Feature Engineering

MLOps คืออะไร

ML Engineering DevOps Data Engineering Deploy Production Lifecycle Data Feature Training Evaluation Deployment Monitoring Retraining Automation Version Control