當團隊有機器學習需求時，常見流程是依賴資料科學家進行資料理解、特徵設計、模型選擇與部署。

然而，若將 DevOps 的 Infrastructure as Code 與自動化原則延伸至 AI 系統生命週期，機器學習流程本身也能成為可宣告、可版本控制、可觀測的工程系統。

本議程介紹一種由 LLM 驅動的 Multi-agent ML Pipeline as Code 架構，將資料分析、特徵工程、模型選擇、超參數優化、部署與監控等職責拆分為具明確角色的 AI Agent，並以宣告式配置定義其能力、權限與協作邏輯，使 ML 流程能納入 GitOps 與 DevOps 的工程治理模式。

相較於以搜尋最佳 pipeline 為核心的傳統 AutoML，此架構透過語意理解與推理式決策，根據資料特性動態生成特徵工程與訓練流程，並保留決策軌跡以提升可解釋性與可觀測性。系統可自動生成部署與監控相關工程產物，並與既有基礎設施整合，形成可持續迭代的 ML 運維流程。

議程同時以 Claude Code 為例，說明如何透過配置化方式建立 multi-agent 協作與自動化流程，降低對資料科學專業人力的依賴，讓 DevOps 團隊能以工程化方法建構與維運 ML 系統。

本議程聚焦於將 ML 納入 DevOps 體系的設計原則與實務架構，呈現從 DevOps 演進至 Agentic MLOps 的工程化路徑。

聽眾收穫：

• 理解 DevOps 思維如何延伸至 ML 系統生命週期（DevOps → MLOps）
• 認識 Multi-agent ML Pipeline 與 Pipeline as Code 的基本架構
• 了解搜尋式 AutoML 與推理式 ML 決策流程的差異
• 掌握將 ML 納入 GitOps 與自動化運維流程的設計思路
• 透過 Claude Code 案例，理解配置化 multi-agent 協作的實作方式
• 評估在有限資料科學資源下導入 ML 能力的可行性與邊界