近年來AWS、GCP、Azure三大公雲平台崛起，以往企業都以私有雲做為公司內部系統架設，但這些往往需耗費大量的設備與人事成本，如果需要有新功能的推出，所花費的成本更加可觀。現在AI技術日新月異，不斷的有不同的應用程式推陳出新，公有雲剛好可以解決這個問題，讓我們可以享受最新服務的當下，又有著安全可靠的系統。

我原先的職務內容為專案經理，但是近年來AI的興起，公司內部開始要求要將既有產品導入AI，因此公司指派我研發關於公司產品的AI模型，以利於產品精進與後續推廣。

再加上公司近期與AWS合作密切，因此有要求部分員工進修AWS相關課程，我就剛好在這兩種因素下，被指派來恆逸參加「MLOps Engineering on AWS」課程，並考取AWS Certified Machine Learning–Specialty證照。

第一次來恆逸教育訓練中心上課，所上的課程是「MLOps Engineering on AWS」，之前沒有任何的AWS相關的施作經驗，所以公司讓我可以選報此課程學習相關知識。AWS內含非常多種應用套件，雖然大多數的套件都有不同的功能，但是有少部分的套件功能有所重疊，所以學習起來非常困難與複雜。

我一開始沒有相關平台基礎，也沒有上過任何AWS相關課程，甚至也沒有AWS平台操作經驗，就被公司指派需要考取AWS Certified Machine Learning – Specialty證照。一開始我非常的徬徨，不知道要怎麼開始準備，也不知道會考什麼樣類型的題目，還好公司讓我可以來恆逸上課，讓我可以從頭開始學，雖然說AWS Certified Machine Learning – Specialty證照要考試的內容與「MLOps Engineering on AWS」課程有所差異，可是恆逸的老師從頭開始教起，MLOps Engineering on AWS為進階課程，會直接提到很多AWS套件的功能及應用，因為班上大多數的同學都跟我一樣沒有相關的經驗，對這些上課內容都非常的陌生，老師有發現這樣的狀況，更改了部分上課方式，用更淺顯易懂的說明方式，甚至使用其他課程中的說明來讓我們可以更加容易理解整個的系統。

AWS Certified Machine Learning – Specialty證照除了會考AWS套件的功能之外，其中有很大一部分的內容會考Machine Learning的相關知識，像是資料探勘中的迴歸：線性迴歸、邏輯迴歸、K近鄰；分類：多項樸素貝葉斯（貝氏分類）；分群：K 均值（K-Means）、階層式分群、DBSCAN、最大期望演算法；隨機森林、XGBoost、主成份分析（PCA）、TSNE等專業知識，這些本來都是課程中所沒有的，可是老師知道我們要考取相關證照，都有在課程講到相關的方法時，用另外的簡報說明這些方法，讓我們除了學習到原本AWS套件的使用之外，也可以學習到Machine Learning的相關知識，讓我們受益頗豐。

除了專業知識上的學習，課程中也有很多時間讓我們可以實際操作的時間，AWS在操作部分解釋的非常詳細，都有專屬的課程網頁，可以一步一步的教我們如何操作系統，而且當操作如果遇到問題時，隨時都可以舉手發問，老師都會熱心且專業的回答我們所提出的問題。然後每次的操作都有3次，讓我們除了在課堂中學習，亦可以回家複習。上課的最後老師也有詳細說明考試可能會考的方向與出題的種類，讓我們知道準備的方向，因為考試的範圍實在太廣，如果靠自己摸索很難可以抓到重點，所以老師這樣的提點對我來說非常的重要。之後我也順利地考到AWS Certified Machine Learning – Specialty證照，這讓我在工作中可以有更專業的知識來面對客戶，使用平台，精進公司產品。

上完這次課程對我來說最有用的部分是Amazon SageMaker建置、訓練和部署機器學習 (ML) 模型功能，因為現在研發相關模型都是在地端進行測試，當我可以部署在公有雲上面時，可以增加大家的使用率，也可以藉由大家的使用不段的去精進我的模型。一般來說如果我們單純使用地端的Machine Learning Model，如果在使用的過程中遇到評估參數出現問題時不會主動告警，可是如果使用Amazon SageMaker Model Monitor可以解決這個問題，而且無須撰寫相關程式，使用起來非常方便。因為ML模型通常需要不斷的修正與更新，在更版的部分如果使用Amazon Comprehend模型版本控制非常方便做版本管控。

考到AWS Certified Machine Learning – Specialty證照，讓我對於AWS系統在ML這塊的應用有著相當程度的了解，讓我們可以從地端的使用升級成線上的使用，解決了當初公司派我們來這上課的主要目的與需求。