Prozkoumání architektury řešení

Dokončeno

Pojďme se podívat na architekturu, o které jste se rozhodli pro pracovní postup strojového učení (MLOps), abyste pochopili, kde a kdy bychom měli kód ověřit.

Poznámka:

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

Hlavním cílem architektury MLOps je vytvořit robustní a reprodukovatelné řešení. K dosažení toho, že 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

Pokud chcete model přesunout z vývoje na nasazení, budete potřebovat kontinuální integraci. Během kontinuální integrace model zabalíte a zaregistrujete. Než ale model zabalíte, budete muset ověřit kód použitý k trénování modelu.

Společně s týmem pro datové vědy jste souhlasili s používáním vývoje založeného na kmenech. Nejen že větve chrání produkční kód, umožní vám také automaticky ověřit všechny navrhované změny před sloučením s produkčním kódem.

Pojďme prozkoumat pracovní postup pro datového vědce:

1. Produkční kód je hostovaný v hlavní větvi.
2. Datový vědec vytvoří větev funkcí pro vývoj modelů.
3. Datový vědec vytvoří žádost o přijetí změn, která navrhne nasdílení změn do hlavní větve.
4. Po vytvoření žádosti o přijetí změn se aktivuje pracovní postup GitHub Actions, který ověří kód.
5. Když kód projde lintingem a testováním jednotek, vedoucí datový vědec musí schválit navrhované změny.
6. Jakmile vedoucí datový vědec schválí změny, žádost o přijetí změn se sloučí a odpovídajícím způsobem se aktualizuje hlavní větev.

Jako technik strojového učení budete muset vytvořit pracovní postup GitHub Actions, který ověří kód spuštěním linteru a testování jednotek při každém vytvoření žádosti o přijetí změn.

Tip

Přečtěte si další informace o tom, jak pracovat se správou zdrojového kódu pro projekty strojového učení, včetně vývoje založeného na kmeni a místního ověřování kódu.