Implementación de modelo
Puede implementar manualmente un modelo con el área de trabajo de Azure Machine Learning. Para implementar automáticamente un modelo, puede usar la CLI de Azure Machine Learning (v2) y Acciones de GitHub. Para implementar automáticamente un modelo con Acciones de GitHub, tendrá que:
- Empaquetar y registrar el modelo.
- Crear un punto de conexión e implementar el modelo.
- Prueba del modelo implementado.
Empaquetado y registro del modelo
Siempre que quiera implementar un modelo con el área de trabajo de Azure Machine Learning, deberá guardar la salida del modelo y registrar el modelo en el área de trabajo. Al registrar el modelo, se especifica si es un modelo con MLflow o un modelo personalizado.
Al crear y registrar un modelo con MLflow, puede usar la implementación sin código.
Sugerencia
Obtenga más información sobre cómo implementar modelos de MLflow.
Para registrar el modelo con MLflow, habilite el registro automático en el script de entrenamiento mediante mlflow.autolog().
Al registrar un modelo durante el entrenamiento del modelo, el modelo se almacena en la salida del trabajo. Como alternativa, puede almacenar el modelo en un almacén de datos de Azure Machine Learning.
Para registrar el modelo, puede apuntar a la salida de un trabajo o a una ubicación de un almacén de datos de Azure Machine Learning.
Creación de un punto de conexión e implementación del modelo
Para implementar el modelo en un punto de conexión, primero debe crear un punto de conexión y, a continuación, implementar el modelo. Un punto de conexión es un punto de conexión HTTPS al que la aplicación web puede enviar datos y del que puede obtener una predicción. Quiere que el punto de conexión siga siendo el mismo, incluso después de implementar un modelo actualizado en el mismo punto de conexión. Cuando el punto de conexión es el mismo, la aplicación web no tendrá que actualizarse cada vez que se vuelva a entrenar el modelo.
Sugerencia
Obtenga más información sobre cómo implementar un modelo con la CLI de Azure Machine Learning (v2).
Prueba del modelo
Por último, querrá probar el modelo implementado antes de integrar el punto de conexión con la aplicación web. O antes de convertir todo el tráfico de un punto de conexión al modelo actualizado. Puede probar manualmente un punto de conexión en línea o puede automatizar la prueba del punto de conexión con Acciones de GitHub.
Nota
Puede agregar una tarea de prueba al mismo flujo de trabajo que la tarea de implementación de modelo. Sin embargo, la implementación de modelo puede tardar un tiempo en completarse. Por lo tanto, debe asegurarse de que las pruebas solo se realizarán cuando la implementación del modelo se haya completado correctamente.