MLOps Industrialization

MLOps 工業化技能是一套專業工作流程，旨在彌合初始探索性數據科學工作（通常位於 Jupyter Notebook 或隔離腳本中）與生產級軟體工程之間的差距。它提供了一種結構化的方法，將代碼重構為高品質、可發佈的 Python 套件，確保可擴展性、安全性和長期可維護性。此技能專為機器學習工程師和數據科學家設計，用於將模型和數據管道遷移到對可靠性與可重現性有嚴格要求的生產環境中。

• 實施 src/ 配置架構以標準化導入路徑，並將源代碼與配置及 CI/CD 工具隔離。

• 強制執行混合範式，將純業務邏輯與依賴 I/O 的操作分離，以增強單元測試和架構清晰度。

• 利用 OmegaConf 和 Pydantic 進行嚴格的配置管理，確保超參數模式在執行前經過驗證，並在代碼庫外安全處理敏感資訊。

• 整合標準 MLOps 工具，包括用於依賴管理的 uv、用於程式碼檢視的 Ruff、用於靜態類型檢查的 MyPy，以及用於完整測試覆蓋的 Pytest。

• 在 pyproject.toml 中提供自動化入口點註冊，使研究人員能夠將研究腳本轉換為可安裝的命令行工具。

• 工作流程預期輸入為實驗性筆記本或腳本，輸出為符合現代軟體工程原則的乾淨、模組化儲存庫結構。

• 建議使用者採用 domain/（純邏輯）、io/（副作用/API）與 application/（編排）層級分離。

• 確保套件導入時不產生任何副作用，以利於測試與部署。

• 使用 Google 風格的文檔字串與嚴格的類型提示，以改善代碼可維護性與團隊協作。

• 敏感資訊絕不能提交至儲存庫；務必利用環境變數或安全憑證庫整合。