Modellimplementierung
Ein Modell kann mit dem Azure Machine Learning-Arbeitsbereich manuell bereitgestellt werden. Zum automatischen Bereitstellen eines Modells kann die Azure Machine Learning-CLI (v2) und GitHub Actions verwendet werden. Für die automatische Bereitstellung eines Modells mit GitHub Actions gehen Sie wie folgt vor:
- Packen und registrieren Sie das Modell.
- Erstellen Sie einen Endpunkt, und stellen Sie das Modell bereit.
- Testen des bereitgestellten Modells
Packen und Registrieren des Modells
Wenn Sie ein Modell mit dem Azure Machine Learning-Arbeitsbereich bereitstellen möchten, müssen Sie die Ausgabe des Modells speichern und das Modell im Arbeitsbereich registrieren. Beim Registrieren des Modells geben Sie an, ob Sie ein MLflow-Modell oder ein benutzerdefiniertes Modell registrieren möchten.
Wenn Sie ein Modell mit MLflow erstellen und protokollieren, können Sie eine Bereitstellung ohne Code verwenden.
Tipp
Weitere Informationen zum Bereitstellen von MLflow-Modellen.
Wenn Sie Ihr Modell mit MLflow protokollieren möchten, aktivieren Sie in Ihrem Trainingsskript mithilfe von mlflow.autolog() die automatische Protokollierung.
Wenn Sie ein Modell während des Modelltrainings protokollieren, wird das Modell in der Auftragsausgabe gespeichert. Sie können das Modell aber auch in einem Azure Machine Learning-Datenspeicher speichern.
Zum Registrieren des Modells können Sie auf die Ausgabe eines Auftrags oder auf einen Speicherort in einem Azure Machine Learning-Datenspeicher zeigen.
Erstellen eines Endpunkts und Bereitstellen des Modells
Wenn Sie das Modell für einen Endpunkt bereitstellen möchten, erstellen Sie zunächst einen Endpunkt und stellen dann das Modell bereit. Bei einem Endpunkt handelt es sich um einen HTTPS-Endpunkt, an den die Web-App Daten senden kann und von dem sie eine Vorhersage erhält. Sie möchten, dass der Endpunkt derselbe bleibt, auch wenn Sie für den Endpunkt ein aktualisiertes Modell bereitstellen. Wenn der Endpunkt derselbe bleibt, muss die Web-App nicht jedes Mal aktualisiert werden, wenn das Modell neu trainiert wird.
Tipp
Weitere Informationen zum Bereitstellen eines Modells mit der Azure Machine Learning-CLI (v2).
Testen des Modells
Abschließend sollten Sie das bereitgestellte Modell testen, bevor Sie den Endpunkt in die Web-App integrieren oder bevor Sie den gesamten Datenverkehr eines Endpunkts auf das aktualisierte Modell umstellen. Sie können einen Online-Endpunkt manuell testen oder das Testen des Endpunkts mit GitHub Actions automatisieren.
Hinweis
Sie können dem Workflow eine Testaufgabe als Modellimplementierungsaufgabe hinzufügen. Die Modellimplementierung kann jedoch einige Zeit dauern. Sie müssen daher sicherstellen, dass die Tests erst dann ausgeführt werden, wenn die Modellimplementierung erfolgreich abgeschlossen wurde.