Einführung
Stellen Sie sich vor, Sie sind ein Machine Learning-Techniker, der beauftragt wurde, ein Modell von der Entwicklung in die Produktion zu übernehmen. Zum Trainieren, Testen und Bereitstellen eines Machine Learning-Modells ist es am besten, Umgebungen als Teil Ihrer MLOps-Strategie (Machine Learning Operations) zu verwenden.
Nachdem ein Data Scientist das Modell trainiert und getestet hat, möchten Sie das Modell bereitstellen, die Bereitstellung testen und das Modell schließlich in der Produktionsumgebung bereitstellen, wo es in großem Maßstab verwendet wird. Im Einklang mit den Methoden für die Softwareentwicklung sollten diese Aufgaben in verschiedenen Umgebungen ausgeführt werden. Mithilfe von Umgebungen wie einer Entwicklungs-, Staging- und Produktionsumgebung können Sie den MLOps-Workflow trennen.
Für die Erstellung verschiedener Umgebungen können Sie verschiedene Azure Machine Learning-Arbeitsbereiche erstellen, die mit separaten GitHub-Umgebungen verknüpft sind. Mithilfe von GitHub Actions können Sie Workflows in allen Umgebungen automatisieren, indem Sie überwachte Genehmigungen hinzufügen, um Risiken zu verringern.
Lernziele
In diesem Modul lernen Sie Folgendes:
- Richten Sie Umgebungen in GitHub ein.
- Verwenden Sie Umgebungen in GitHub Actions.
- Fügen Sie Genehmigungen hinzu, um erforderliche Reviewer zuzuweisen, bevor Sie das Modell in die nächste Umgebung verschieben.