Prozkoumání architektury řešení
Před přechodem k implementaci je důležité porozumět celkovému obrazu, abyste zajistili splnění všech požadavků. Chceme také zajistit, aby byl přístup v budoucnu snadno přizpůsobitelný. Cílem tohoto cvičení je začít používat GitHub Actions jako nástroj pro orchestraci a automatizaci pro strategii operací strojového učení (MLOps) definovanou v architektuře řešení.
Poznámka:
Diagram je zjednodušená reprezentace architektury MLOps. Pokud chcete zobrazit podrobnější architekturu, prozkoumejte různé případy použití v akcelerátoru řešení MLOps (v2).
Architektura zahrnuje:
- Nastavení: Vytvořte všechny potřebné prostředky Azure pro řešení.
- Vývoj modelů (vnitřní smyčka):Prozkoumejte a zpracujte data pro trénování a vyhodnocení modelu.
- Kontinuální integrace: Zabalte a zaregistrujte model.
- Nasazení modelu (vnější smyčka): Nasaďte model.
- Průběžné nasazování: Otestujte model a propagujte ho do produkčního prostředí.
- Monitorování: Monitorování výkonu modelu a koncového bodu
Konkrétně budeme automatizovat trénovací část vývoje modelu nebo vnitřní smyčku, která nám nakonec umožní rychle trénovat a registrovat několik modelů pro nasazení do přípravných a produkčních prostředí.
Pracovní prostor Azure Machine Learning, výpočetní prostředí Azure Machine Learning a úložiště GitHub pro vás vytvořil tým infrastruktury.
Kromě toho je kód pro trénování klasifikačního modelu připravený pro produkční prostředí a data potřebná k trénování modelu jsou k dispozici ve službě Azure Blob Storage připojené k pracovnímu prostoru Azure Machine Learning.
Vaše implementace umožní přechod z vnitřní do vnější smyčky jako automatizovaný proces, ke kterému dojde, když datový vědec nasdílí nový kód modelu do úložiště GitHub, což umožní průběžné doručování modelů strojového učení podřízeným příjemcům modelu, jako je webová aplikace, která bude používat model klasifikace cukrovky.