Úvod
Představte si, že jste inženýr strojového učení, který má za úkol vzít model z vývoje do produkčního prostředí. Pokud chcete trénovat, testovat a nasazovat model strojového učení, je nejlepší používat prostředí jako součást strategie operací strojového učení (MLOps).
Po natrénování a otestování modelu odborníkem na data budete chtít model nasadit, otestovat nasazení a nakonec model nasadit do produkčního prostředí, kde se bude využívat ve velkém měřítku. V souladu s postupy vývoje softwaru by se tyto úlohy měly provádět v různých prostředích. Pomocí prostředí, jako je vývoj, příprava a produkční prostředí, můžete oddělit pracovní postup MLOps.
Pokud chcete vytvořit různá prostředí, můžete vytvořit různé pracovní prostory Služby Azure Machine Learning, které jsou propojené s samostatnými prostředími GitHubu. Pomocí GitHub Actions můžete automatizovat pracovní postupy napříč prostředími a přidávat vrátná schválení ke zmírnění rizik.
Cíle výuky
V tomto modulu:
- Nastavení prostředí na GitHubu
- Používejte prostředí v GitHub Actions.
- Před přesunutím modelu do dalšího prostředí přidejte schválení, která přiřadí požadované revidující.