第七章：模型部署、監控與持續改進

# 第七章：模型部署、監控與持續改進 在前面六章中，我們已經完成了資料擷取、特徵工程、模型訓練以及可視化展示，這些步驟為決策者提供了可解讀的洞察。今天，我們要把這些洞察搬到實際的商業流程中——將機器學習模型部署到生產環境，並設計監控機制，確保模型在真實世界中的表現始終符合預期。 ## 7.1 模型從實驗到生產的轉變 - **可擴充性**：在測試環境中跑的模型，必須能在多台伺服器、跨區域的雲端環境中保持一致的輸出。 - **可重現性**：模型結構、參數、特徵轉換腳本都應打包，並使用版本控制系統（如 Git）管理。 - **安全性**：保護敏感資料，確保模型不會洩露客戶資訊，並且遵循 GDPR、個資法等法規。 我們採用 **Azure Machine Learning** (AML) 作為示例平台，因其提供一站式的模型訓練、部署與監控工具。 ## 7.2 部署方式的選擇 | 部署類型 | 優點 | 缺點 | 典型使用場景 | |----------|------|------|---------------| | **Web API (REST)** | 易於整合進行業務流程，靈活呼叫 | 需要管理 API Gateway、負載均衡 | 需要即時預測的線上交易系統 | | **容器化 (Docker + Kubernetes)** | 高可擴充性、雲原生 | 需要運維專業 | 大規模資料流處理、雲端部署 | | **Serverless (Azure Functions)** | 成本按使用計費 | 可能受限於執行時間、資源 | 小規模批量預測、事件驅動 | **案例**：一個零售商想在網站上實時推薦商品，使用 Web API 部署在 Azure App Service，並透過 Azure API Management 做流量控制與監控。 ## 7.3 監控指標與健康檢查 ### 7.3.1 性能指標 - **Latency**：API 呼叫延遲，目標 < 200 ms。 - **Throughput**：單位時間內處理請求數。 - **Error Rate**：失敗率，應低於 1%。 ### 7.3.2 模型效能指標 - **Precision / Recall / F1**：針對分類模型。 - **RMSE / MAE**：針對回歸模型。 - **Calibration Curve**：評估預測概率的可靠性。 ### 7.3.3 Drift 檢測 - **Data Drift**：輸入特徵分布變化。 - **Concept Drift**：模型預測與實際目標差距變化。 Azure ML 的 **Model Monitoring** 服務可以自動收集這些指標，並提供告警機制。 ## 7.4 實戰案例：客戶流失預測 ### 7.4.1 背景 某通信公司擬部署客戶流失（Churn）模型，透過電子報提醒客戶，降低流失率。 ### 7.4.2 模型部署流程 1. **打包模型**：將 `scikit-learn` 模型序列化為 `joblib`。 ```python import joblib joblib.dump(model, 'churn_model.joblib') ``` 2. **建立 Docker 容器**： ```Dockerfile FROM python:3.9-slim COPY churn_model.joblib /app/ RUN pip install flask joblib COPY app.py /app/ CMD ["python", "/app/app.py"] ``` 3. **部署至 Azure Kubernetes Service (AKS)**：使用 `kubectl` 部署 YAML。 4. **設定 Azure Monitor**：監控 API 延遲、錯誤率，並設定告警。 ### 7.4.3 監控示例 - **Grafana Dashboard**：顯示每日流失率、模型預測分佈。 - **Alert**：若 RMSE 超過 0.05，發送訊息至 Slack。 ### 7.4.4 持續改進 - **A/B 測試**：新模型 vs 原模型，使用 Azure ML Pipelines 進行版本對比。 - **Retraining Trigger**：當 Drift 檢測指標超過閾值時，自動觸發重新訓練。 ## 7.5 小結 - **部署不是終點**：模型的生命週期從開發到部署再到運營，皆需持續監控與維護。 - **可觀察性**：性能與效能指標應同時被收集，才能快速定位問題。 - **自動化**：利用 CI/CD、Pipelines 與 Alert 系統，使人為干預最小化。 - **合規與倫理**：監控不僅是技術需求，更是確保機器學習符合道德與法規的關鍵。 透過本章的學習，讀者已能在實際商業環境中落地模型，並持續優化其表現。下一章，我們將深入探討如何將這些技術結合成一個完整的「數據驅動決策平台」。