ML Service 結合MLOps確保AI應用精確度:透過ML flow進行模型實驗的管理,紀錄每次訓練模型時的程式碼版本、數據、超參數以及結果等。管理訓練模型所需的環境,方便在不同電腦與平台間快速且無縫地切換,管理輸出模型的版本,保持模型實驗的追蹤性 (trackability) 與重現性 (reproducibility)。
Deployment 可local可上雲的彈性部屬:將Web Service Dashboard 以及 ML Service的Model包裝成Docker file,透過Docker file把打包的步驟寫在裡面,包含Base image/dependencies/專案原始碼等等,並部屬在企業local端或是cloud端。