Sdílet prostřednictvím

MLOps se službou Azure Machine Learning

  • Článek

MLOps (operace strojového učení) je založená na principech a postupech DevOps, které zvyšují efektivitu pracovních postupů, jako je kontinuální integrace, doručování a nasazování. MLOps tyto principy aplikuje na proces strojového učení, aby bylo možné:

  • Experimentujte a vyvíjejte modely rychleji.
  • Rychlejší nasazení modelů do produkčního prostředí
  • Procvičovat a zdokonalovat kontrolu kvality.

Azure Machine Learning poskytuje následující funkce MLOps:

  • Vytvořte reprodukovatelné kanály. Kanály strojového učení umožňují definovat opakovatelné a opakovaně použitelné kroky pro procesy přípravy, trénování a vyhodnocování dat.
  • Vytvářejte opakovaně použitelná softwarová prostředí pro trénování a nasazování modelů.
  • Registrace, balení a nasazování modelů odkudkoli Můžete sledovat přidružená metadata potřebná k použití modelu.
  • Zachyťte data zásad správného řízení pro celý životní cyklus. Protokolované informace můžou zahrnovat, kdo publikuje modely, proč byly provedeny změny a kdy byly modely nasazeny nebo použity v produkčním prostředí.
  • Upozorňování a upozorňování na události v životním cyklu Můžete například dostávat upozornění na dokončení experimentu, registraci modelu, nasazení modelu a detekci posunu dat.
  • Monitorování problémů souvisejících s provozem a strojovém učením v aplikacích Porovnejte vstupy modelu mezi trénováním a odvozováním, prozkoumejte metriky specifické pro model a poskytněte monitorování a upozornění v infrastruktuře strojového učení.
  • Automatizujte kompletní životní cyklus strojového učení pomocí Azure Machine Learning a Azure Pipelines. Pomocí kanálů můžete často aktualizovat modely, testovat nové modely a průběžně zavádět nové modely strojového učení společně s dalšími aplikacemi a službami.

Osvědčené postupy pro MLOps ve službě Azure Machine Learning

Modely se liší od kódu, protože mají organické skladovatelnosti a budou se zhoršovat, pokud se neudrží. Jakmile je nasadíte, můžou přidat skutečnou obchodní hodnotu, což je jednodušší, když datovým vědcům získáte nástroje pro přijetí standardních technických postupů.

MLOps s Azure vám pomůže:

  • Vytváření reprodukovatelných modelů a opakovaně použitelných trénovacích kanálů
  • Zjednodušení balení, ověřování a nasazení modelu pro kontrolu kvality a testování A/B.
  • Vysvětlit a sledovat chování modelu a automatizovat proces přetrénování

MLOps zlepšuje kvalitu a konzistenci vašich řešení strojového učení. Další informace o tom, jak pomocí služby Azure Machine Learning spravovat životní cyklus modelů, najdete v tématu MLOps: Správa, nasazení a monitorování modelů pomocí služby Azure Machine Learning.

Další kroky

Další informace najdete v následujících zdrojích informací: