分析做完要交付並維護：產出 Dashboard/API、監控資料漂移與效能衰退、做好隱私治理。
模型會隨時間悄悄變差，沒監控就會變廢物。
分析做完不是結束，要交付給使用者並持續維護。交付物可能是 Dashboard、報告、API；上線後還要監控資料漂移、效能衰退，並做好隱私治理。資料專案的「最後一哩路」往往決定它能不能真正產生價值。
Dashboard、報告、API。
資料漂移、效能衰退。
權限、隱私、稽核。
這頁是交付監控總覽。下面兩個子題（交付產出物、隱私治理）各有專頁；資料漂移監控已有獨立動畫。
模型剛上線時表現很好，但隨著時間，真實世界的資料慢慢改變（資料漂移），模型會悄悄衰退。拖動上線時間，看效能下滑——這就是為什麼要持續監控、適時重訓。
注意效能跌破警戒線（70%）時，監控系統就該發警報、觸發重新訓練。沒有監控的模型，會在你不知不覺中變成廢物。
| 階段 | 做什麼 |
|---|---|
| 部署 | 上線成 API／批次／儀表板 |
| 監控-資料 | 監控輸入分布漂移(data drift) |
| 監控-模型 | 監控準確率／延遲衰退 |
| 再訓練 | 觸發重訓、版本控管 |
| 治理 | 權限、稽核、可追溯 |
上線後的交付監控確保系統持續可靠,iPAS 維運考點(中級科目一)。重點:持續監看效能指標、輸入資料分布(資料漂移、PSI)、延遲與錯誤,異常即告警、必要時回滾或再訓練。易混點:模型上線不是結束——會因資料漂移、概念漂移而退化,需持續監控與維運(MLOps);與一開始的離線評估不同。情境:模型上線後的監控與維運規劃。
想練情境題與詳解 → AI 學習與考證地圖
把成果(模型、報表、儀表板、資料管線)部署上線、交到使用者手上，並確保可持續運作與被採用，不是跑完分析就結束。
資料會漂移、系統會出錯、需求會變；持續監控效能、資料品質與使用情況，才能及時發現劣化並維護。
對應最後的「部署」階段；且 CRISP-DM 是循環的——上線監控後常回到前面階段再迭代。
服務面(延遲、錯誤)、資料面(輸入分布漂移、缺值)、模型與業務面(準確率、KPI)，並設告警與再訓練機制。
只重建模、忽略部署與採用；沒對齊使用者流程、缺維運與監控、結果難解讀或不被信任，導致做完沒人用。