Amazon AIF-C01: MLOps 與部署 — 學習指南

By Laurynas Brazys · 31 July 2026 · #amazon #aif-c01 #certification #exam-prep #study-guide

屬於 AWS AI Practitioner AIF-C01 — 學習指南. 使用經過驗證的解答練習： Amazon 考試中心, 或參加限時模擬考試： ExamRoll.io.

部署與推論模式：即時、批次、無伺服器與邊緣

選擇推論模式時，首先要考量服務層級在延遲、吞吐量、成本和營運複雜度之間的權衡取捨。對於低延遲、高吞吐量的需求，典型的選擇是預先配置的 Amazon SageMaker 即時端點（單一模型或多模型端點），或是具備自動擴展和 GPU 執行個體的 SageMaker Real-Time Inference；可使用端點變體來實作金絲雀或藍/綠部署。對於延遲不重要的離線大型作業，SageMaker Batch Transform 或在 AWS Glue/EMR 上進行分散式處理，既具成本效益又易於擴展。對於不可預測或低 QPS 的工作負載，SageMaker Serverless Inference 或從 AWS Lambda 叫用模型（必要時搭配預置並行）可減少管理負擔和成本。邊緣部署則需要使用 SageMaker Edge Manager 封裝模型，並透過 AWS IoT Greengrass 將其分發至連線不穩定且有嚴格延遲或隱私需求的裝置。從業人員的常見陷阱包括：為稀疏流量選擇即時端點（導致高成本）、未測試無伺服器部署的冷啟動，以及低估多模型端點的記憶體/GPU 需求。決策應以 SLO（p99 延遲、吞吐量）、模型大小、並行模式和預期的更新頻率為指導；在確定託管模式之前，使用具代表性的流量進行效能分析至關重要。

模型註冊表、管線與 CI/CD 的可重複交付

一個穩健的生產工作流程會使用 SageMaker Model Registry 來對產出物進行版本控制、擷取模型血緣並管理核准工作流程，並使用 SageMaker Pipelines 來組合可重複的訓練、驗證和部署步驟。將基於 Git 的原始碼控制與 AWS CodePipeline 和 CodeBuild 整合，可實現模型程式碼的 CI：單元測試、資料結構檢查，以及自動化模型評估，作為模型晉升至註冊表的關卡。部署自動化應實作分階段的環境（開發 → 預備 → 生產），並透過端點變體、藍/綠部署或基於 Lambda 的路由來支援自動回滾或流量轉移。特徵存放區（SageMaker Feature Store）透過儲存特徵定義和時間戳記，確保訓練和推論的一致性。常見陷阱包括：未記錄超參數和環境版本、未自動化驗證測試（資料結構、效能閾值），以及缺乏不可變的產出物（應將模型產出物儲存在 S3 或 ECR 中）。應使用基礎設施即程式碼（CloudFormation 或 CDK）進行端點配置，透過鎖定函式庫和種子碼來確保可重現性，並規劃與同一個管線整合的重新訓練觸發器（資料漂移、定期排程）。

監控、Model Monitor 與營運控制

營運監控必須涵蓋資料漂移、概念漂移、效能下降、延遲和資源利用率。Amazon SageMaker Model Monitor 可以建立訓練分佈的基線，並持續分析推論流量以偵測特徵漂移、遺失值和結構變更；當有真實標籤可用時，Model Monitor 還可以追蹤預測品質和目標漂移。將推論日誌記錄到 Amazon S3 和 CloudWatch，並將日誌串流至 Amazon Kinesis 或 Amazon EventBridge 以進行即時警報和自動化管線觸發。避免常見錯誤，例如將每個漂移警報都視為重新訓練的信號——短暫的變化和季節性可能導致誤報——或在不了解自然變異的情況下設定閾值。對於不平衡的類別，應優先使用精確率、召回率和 F1 分數而非準確率，以偵測有意義的效能下降。為模型產出物實作 RBAC 和加密（KMS），使用 VPC 端點和 AWS PrivateLink 進行安全的服務存取，並透過 AWS CloudTrail 擷取稽核軌跡。維護用於修復的營運手冊：驗證資料管線、比較近期群體的效能，並進行重新訓練、回滾，或應用校準和特徵修復。

關鍵評估指標及其使用時機
- 準確率 (Accuracy): 整體正確性；在資料不平衡時可能產生誤導
- 精確率 (Precision): 正向預測的正確性；當偽陽性 (False Positive) 代價高昂時使用
- 召回率 (Recall/Sensitivity): 找出所有正向案例的能力；當偽陰性 (False Negative) 代價高昂時使用
- F1 分數 (F1 score): 精確率和召回率的調和平均數；適用於不平衡類別的均衡選擇
- AUC-ROC: 跨不同閾值的排序品質；適用於與閾值無關的二元分類器

可解釋性、模型卡與符合法規的控管機制

可解釋性必須是可操作、可稽核，並且根據利害關係人的需求進行調整。Amazon SageMaker Clarify 提供訓練前偏誤檢查、訓練後偏誤指標，以及透過 SHAP 提供的逐筆預測特徵歸因，這些都可以在推論期間或以離線批次方式產生。執行時期的解釋應與預測和輸入指紋一同記錄，以提供可追溯性；將解釋儲存在 S3 中並為其建立索引以便檢索。模型卡記錄了預期用途、資料來源、在相關資料切片上的評估指標、已知限制以及效能注意事項；在 Model Registry 中維護模型卡版本以符合治理要求。金融和受監管的使用案例需要確定性的稽核軌跡：保存模型產物、超參數、評估資料和解釋日誌；針對高影響力決策實施真人參與的核准關卡，並為具挑戰性的案例維護反事實解釋。為了與託管式基礎模型安全整合，請使用 AWS PrivateLink 介面端點從 VPC 內呼叫 Amazon Bedrock，使用 KMS 加密酬載，並應用精細的 IAM 與網路控管。嵌入儲存和向量搜尋的服務選擇取決於檢索需求；根據效能和營運成本比較各種選項：

Amazon OpenSearch Service (k-NN): 可擴展的向量搜尋，具備整合式分析功能
Amazon Kendra: 託管式語意搜尋，具備內建連接器和企業級功能
Amazon RDS (Postgres + pgvector): 交易型向量儲存，對於關聯式資料集較為簡單
在 Amazon EKS 或 ECS 上的客製化 ANN: 對於 NMSLIB/FAISS 提供最高的靈活性，但維運負擔較大

實務問題：使用案例情境

情境：FinSight 在 AWS 中營運一個信用決策流程，使用 SageMaker 進行模型訓練，使用 Bedrock 產生輔助性的生成式解釋，並使用 Amazon S3 儲存資料。模型被部署為 VPC 內的 SageMaker 即時端點，並啟用 Model Monitor 來剖析傳入的特徵。

挑戰：Model Monitor 標記出特徵偏移已超出閾值，且業務法規要求對於任何自動化的信用額度變更，都必須有可稽核、可解釋的決策。

建議方法：

使用 SageMaker Model Monitor 警示來觸發一個 EventBridge 規則，該規則會將偏移資料傳送到一個 SageMaker Pipelines 重新訓練工作流程，並將當前的推論與近期的輸入資料快照至一個 S3 隔離儲存桶。
在 SageMaker Pipelines 中執行一個自動化驗證任務，比較近期的資料分佈與基準線，計算評估指標 (精確率/召回率/F1)，並使用 SageMaker Clarify 為一個具代表性的群體產生逐一樣本的 SHAP 解釋。
如果自動化檢查通過，則在 SageMaker Model Registry 中註冊新模型，並附上更新後的模型卡，其中包含效能切片和解釋；使用端點變體與流量轉移進行分階段部署。如果檢查失敗，則在維運佇列中建立一個事件，並在任何部署前啟動真人審查步驟。
對於產生人類可讀解釋的安全 Bedrock 呼叫，透過 AWS PrivateLink 路由 Bedrock 流量，並使用 KMS 加密酬載；將所有解釋輸出記錄在 S3 中，並將其與推論記錄連結以確保可稽核性。

基本原理：此方法結合了自動化偵測、可重現的驗證和受保護的部署，並具備稽核軌跡和逐筆決策的解釋——將營運控管與法規透明度對齊，並最小化錯誤的重新訓練/回滾操作。

← 模型訓練、評估與最佳化 · 所有領域 · AI →

練習這些題目 → · 在 ExamRoll.io 上限時練習 →