Prozkoumání architektury řešení

Dokončeno

Když pracujete na menších projektech s menšími týmy, může být vhodné mít jeden pracovní prostor Azure Machine Learning. Jeden pracovní prostor lze použít pro všechno: k trénování, testování a nasazení modelu. Na webu Proseware ale chcete mít robustní a budoucí řešení, které můžete snadno škálovat při sestavování a údržbě více modelů, které chcete integrovat s naší webovou aplikací pro odborníky.

Pokud chcete rychle, ale bezpečně přesunout model z vývoje do produkčního prostředí, souhlasili jste s architekturou operací strojového učení vysoké úrovně (MLOps).

Poznámka:

Diagram je zjednodušená reprezentace architektury MLOps. Pokud chcete zobrazit podrobnější architekturu, prozkoumejte různé případy použití v akcelerátoru řešení MLOps (v2).

Architektura zahrnuje:

1. Nastavení: Vytvořte všechny potřebné prostředky Azure pro řešení.
2. Vývoj modelů (vnitřní smyčka):Prozkoumejte a zpracujte data pro trénování a vyhodnocení modelu.
3. Kontinuální integrace: Zabalte a zaregistrujte model.
4. Nasazení modelu (vnější smyčka): Nasaďte model.
5. Průběžné nasazování: Otestujte model a propagujte ho do produkčního prostředí.
6. Monitorování: Monitorování výkonu modelu a koncového bodu

Při práci s modely strojového učení ve velkém měřítku chce Proseware používat samostatná prostředí pro různé fáze. Samostatné prostředí usnadní řízení přístupu k prostředkům. Každé prostředí je pak možné přidružit k samostatnému pracovnímu prostoru Azure Machine Learning.

Poznámka:

V tomto modulu se podíváme na interpretaci prostředí DevOps. Všimněte si, že Azure Machine Learning také používá termínová prostředí k popisu kolekce balíčků Pythonu potřebných ke spuštění skriptu. Tyto dva koncepty prostředí jsou nezávislé na sobě. Přečtěte si další informace o prostředích Azure Machine Learning.

Pokud chcete umožnit testování modelů před nasazením, chcete pracovat se třemi prostředími:

Vývojové prostředí se používá pro vnitřní smyčku:

1. Datoví vědci vytrénuje model.
2. Model se zabalí a zaregistruje.

Pracovní prostředí se používá pro část vnější smyčky:

3. Otestujte kód a model pomocí lintování a testování jednotek.
4. Nasaďte model k otestování koncového bodu.

Produkční prostředí se používá pro jinou část vnější smyčky:

5. Nasaďte model do produkčního koncového bodu. Produkční koncový bod je integrovaný s webovou aplikací.
6. Monitorujte výkon modelu a koncového bodu a v případě potřeby aktivujte opětovné trénování.

I když může a měla by být automatizovaná řada úloh strojového učení, budete také chtít naplánovat body, ve kterých chcete schvalovat vrátná schválení. Když je model natrénovaný a zabalený, chcete vedoucímu datovému vědci oznámit, že model před přesunem do přípravného prostředí ověří.

Podobně po otestování modelu v přípravném prostředí chcete přidat hradené schválení, abyste zajistili, že někdo z týmu pro vývoj softwaru ověří, že všechny testy byly úspěšné před nasazením modelu do produkčního prostředí.

Když pracujete s prostředími, umožňuje vrátné schválení řídit nasazení z jednoho prostředí do dalšího.