Análisis de la arquitectura de la solución
Para planear la escala y la automatización, ha trabajado con varias partes interesadas para decidir sobre una arquitectura de operaciones de aprendizaje automático (MLOps).
Nota
El diagrama es una representación simplificada de una arquitectura de MLOps. Para ver una arquitectura más detallada, explore los distintos casos de uso del acelerador de soluciones MLOps (v2).
La arquitectura incluye:
- Configuración: creación de todos los recursos de Azure necesarios para la solución.
- Desarrollo de modelos (bucle interno): análisis y procesamiento de los datos para entrenar y evaluar el modelo.
- Integración continua: empaquetado y registro del modelo.
- Implementación de modelos (bucle externo): implementación del modelo.
- Implementación continua: prueba del modelo y promoción al entorno de producción.
- Supervisión: supervisión del rendimiento del modelo y del punto de conexión.
Lo más importante para el desafío actual es tomar un modelo desde el desarrollo de modelos hasta la implementación de modelos. El paso entre estos dos bucles consiste en empaquetar y registrar el modelo. Una vez que el equipo de ciencia de datos ha entrenado un modelo, es esencial empaquetar el modelo y registrarlo en el área de trabajo de Azure Machine Learning. Una vez registrado el modelo, es el momento de implementarlo.
Hay varios enfoques para empaquetar el modelo. Después de revisar algunas opciones, como trabajar con archivos PICKLE, ha decidido, junto al equipo de ciencia de datos, trabajar con MLflow. Al registrar el modelo como un modelo de MLflow, puede optar por la implementación sin código en el área de trabajo de Azure Machine Learning. Cuando se usa la implementación sin código, no es necesario crear el script de puntuación ni el entorno para que la implementación funcione.
Si desea implementar un modelo, puede elegir entre un punto de conexión en línea para predicciones en tiempo real o un punto de conexión por lotes para las predicciones por lotes. Como el modelo se integrará con una aplicación web en la que el profesional de la salud introducirá datos médicos esperando obtener una respuesta directa, decide implementar el modelo en un punto de conexión en línea.
Puede implementar el modelo manualmente en el área de trabajo de Azure Machine Learning. Sin embargo, espera implementar más modelos en el futuro. Y quiere volver a implementar fácilmente el modelo de clasificación de diabetes siempre que se haya vuelto a entrenar el modelo. Por lo tanto, quiere automatizar la implementación de modelo siempre que sea posible.
Nota
Aunque la automatización es un aspecto fundamental de MLOps, también lo es mantener una persona en el bucle. Comprobar el modelo antes de implementarlo automáticamente es un procedimiento recomendado.