fmind/mlops-python-package

解決的問題

本專案提供標準化的 Python 程式碼庫與一組 MLOps 最佳實務，協助開發者在建構模型註冊表、實驗追蹤系統或即時推論平台時，避免從零開始。透過整合一整套專業的軟體工程工具，它簡化了從實驗性程式碼過渡到生產就緒軟體的過程。

如何運作

此套件採用模組化框架結構，程式行為由 YAML 設定檔控制。使用者可在 src/[package]/jobs/*.py 中定義特定工作（如訓練、調校或推論），並透過 CLI 合併設定檔來執行。它利用現代化的 Python 工具鏈，包括使用 uv 進行相依性管理、使用 Pydantic 進行設定驗證，以及使用 MLflow 實現模型追蹤、註冊與可觀測性。

適用對象

專為希望遵循業界最佳實務，在軟體工程與 AI/ML 生命週期管理方面建構穩健、生產級 MLOps 工具包或平台的機器學習工程師與資料科學家設計。

主要特色

• 整合的 MLOps 堆疊：內建支援 MLflow（追蹤、註冊、專案）與 SHAP 可解釋性。
• 全面的自動化：使用 mise 提供統一的任務詞彙，用於安裝、測試、程式碼檢查與建構。
• 生產就緒的工具鏈：整合 Ruff 用於程式碼檢查/格式化，Pytest 用於測試，Docker 用於執行時打包。
• 彈性的設定：採用 OmegaConf 與 Pydantic Discriminated Unions，根據設定檔自動選擇並執行不同類型的工作。