Einleitung

Abgeschlossen

Es gibt eine Zunahme von Machine Learning-Projekten in allen Organisationen, da mehr Daten verfügbar sind, die Demokratisierung der Rechenleistung und die Weiterentwicklung von Algorithmen, die zum Trainieren von Modellen verwendet werden.

Eine der wichtigsten Hindernisse bei der Einführung und Skalierung von Machine Learning-Projekten ist jedoch ein Mangel an klaren Strategie- und Organisationssilos.

MLOps

Machine Learning Operations oder MLOps zielt darauf ab, von einem Machbarkeits- oder Pilotprojekt auf eine Machine Learning Workload in der Produktion effizienter zu skalieren.

Durch die Implementierung von MLOps können Sie Ihre Arbeitsauslastungen für maschinelles Lernen robust und reproduzierbar machen. Sie können z. B. ein Modell überwachen, neu trainieren und bei Bedarf erneut bereitstellen, während sie immer ein Modell in der Produktion behalten.

Der Zweck von MLOps besteht darin, den Machine Learning-Lebenszyklus skalierbar zu machen:

1. Modell trainieren
2. Paketmodell
3. Modell überprüfen
4. Bereitstellen des Modells
5. Monitormodell
6. Modell neu trainieren

MLOps erfordert mehrere Rollen und mehrere Tools. Data Scientists konzentrieren sich häufig auf alle Aufgaben im Zusammenhang mit der Schulung des Modells, auch als innere Schleifebezeichnet.

Um das Modell zu packen und bereitzustellen, benötigen Datenwissenschaftler möglicherweise die Hilfe von Machine Learning-Technikern, die DevOps-Praktiken anwenden, um die Machine Learning-Modelle zu skalieren.

Ein trainiertes Modell zu nehmen und in die Produktion zu überführen wird häufig als die äußere Schleifebezeichnet. In der äußeren Schleife wird das Modell verpackt, überprüft, bereitgestellt und überwacht. Wenn Sie entscheiden, dass das Modell neu trainiert werden muss, wechseln Sie zurück zur inneren Schleife, um Änderungen am Modell vorzunehmen.

DevOps

Die Verwendung von DevOps-Prinzipien wie agiler Planung kann Ihrem Team helfen, Ihre Arbeit zu organisieren und Ergebnisse schneller zu produzieren. Mit Quellcodeverwaltungkönnen Sie die Zusammenarbeit an Projekten vereinfachen. Und mit Automatisierung können Sie den Lebenszyklus des maschinellen Lernens beschleunigen.

In diesem Modul werden diese DevOps-Prinzipien vorgestellt und zwei häufig verwendete Tools hervorgehoben: Azure DevOps und GitHub-.

Lernziele

In diesem Modul lernen Sie Folgendes:

• Warum DevOps für Machine Learning-Projekte nützlich ist.
• Welche DevOps-Prinzipien auf Machine Learning-Projekte angewendet werden können.
• So verbinden Sie Azure DevOps und GitHub mit Azure Machine Learning.