（媒角抵加／林承志綜合報導）免費開源教材AI Engineering from Scratch於2026年10月11日新增五課，補上Python、模型設計、資料漂移監測、訓練與上線資料差異及展示介面。教材從輸入資料與預測結果分別監測模型。台灣讀者可下載程式，以模擬資料練習；媒角抵加執行監測範例，重現輸入變化與預測失準分別觸發告警的結果。

關鍵資訊

  • 更新事件：10月11日新增五課，教材目錄由523課增至528課，維持20個階段。
  • 適合對象：已有Python基礎，想練習模型部署、監測與展示的學習者；監測課另列模型評估等先備課程。
  • 實測成果：Windows上的Python範例完成9,000筆模擬資料監測，輸出告警與準確率紀錄。
  • 費用與人工關卡：教材免費；本次監測範例不呼叫付費模型。資料欄位、告警門檻與預測對錯仍由人確認。

五門新課補上模型部署前後的工作

由Rohit Ghumare維護的AI Engineering from Scratch，以公開教材與程式範例教授AI工程。10月11日的程式庫更新新增Python實作、機器學習系統設計、模型監測、特徵資料管理，以及模型展示介面五課。當天更新的是程式庫內容；名為「2026.10」的正式版本則已於9月27日發布。

這批新增內容處理模型交付時常見的幾個工作：先定義要解決的問題與衡量方法，再核對訓練和上線時用的資料，持續檢查預測結果，最後讓別人透過介面試用。專案目錄提供數學基礎、語言模型應用與AI代理等學習入口，學習者可按想完成的任務選課。

9,000筆模擬資料，分開抓出輸入變化與預測失準

新增的模型監測課，用模擬交易金額、通路與結果標記，練習判斷資料是否偏離原來的分布。程式先拿前2,000筆作比較基準，之後每累積250筆，檢查最近500筆；結果標記設定晚500筆到達，呈現預測與實際結果之間的時間差。

媒角抵加於10月12日在Windows以Python 3.12.14執行該課的公開Python範例。範例使用固定亂數種子產生9,000筆資料，在第3,000筆起改變金額與通路分布，金額監測於第3,500筆觸發告警。第6,500筆起，輸入分布維持原樣，判定結果的規則卻改變；準確率監測到第7,500筆才告警。

第二種變化發生後，輸入監測仍顯示正常，最後一個已取得結果標記的500筆視窗，準確率為79%。另以相同亂數種子、全程保留原始分布與判定規則作對照，這一輪沒有告警。兩組都是程式生成的教學資料；這堂課具體呈現了模型服務照常回應時，仍可能需要靠後續結果發現預測失準。

AI生成概念圖，依公開程式與本文實測整理。固定亂數種子7的9,000筆模擬資料中，金額監測於第3,500筆告警，準確率監測於第7,500筆告警；結果標記延遲500筆。

展示頁加入使用限制，資料與答案由人驗收

另一門訓練與上線資料差異課，處理同一個欄位在兩套流程中被算出不同數值的問題。例如訓練時讀入預測當下還不存在的未來資料，或上線時採用不同的缺漏值，評估結果就會失去原本的比較條件。教材讓學習者練習按時間取得資料，並比對兩條流程的輸入。

模型展示介面課則將簡單的關鍵字分類程式包成網頁，加入輸入長度檢查、呼叫頻率限制、每日使用上限與錯誤提示。這些控制對應公開展示的具體成本：有人反覆送出請求，或貼入過長內容時，程式如何拒絕、如何留下查錯紀錄。示範使用簡單分類規則；換成付費模型後，模型用量、費率與部署費用另計。

學習者驗收的對象包括輸入資料、程式輸出和錯誤處理。監測出現告警後，真人還要檢查資料來源、結果標記與業務條件，決定修正資料、調整門檻或重新訓練。展示頁的使用限制，也要配合實際帳號、權限與預算設定。

台灣可先下載練習，繁中說明與程式閱讀分開準備

專案公開網站與GitHub可直接閱讀教材，另有繁體中文入門說明，標示為AI輔助譯文、以英文原文為準。台灣讀者可先下載監測範例，在自己的電腦執行；這個範例只用Python標準函式庫，不需模型帳號或API金鑰。新增課程的英文文件、程式變數與錯誤訊息，仍需要相應的閱讀能力。

日本使用者月ねこ（Tsukineko）在9月20日的學習紀錄中，稱自己以MacBook Pro執行教材的筆記查找工具範例。他貼出的輸出包括10項測試通過、筆記搜尋結果，以及指定筆記的內容回應。

已有Python基礎的人，可從新增監測課開始，先保留原始輸出，再改動一組資料分布，比較告警位置與準確率。下一步再拿非敏感、可核對的小型資料練習，逐項寫下誰確認資料、誰判斷答案、誰處理告警。若要讓AI代理讀取真實檔案或操作服務，權限與對外動作也列入驗收。

資料來源與更新紀錄