Introducción
Los scripts son ideales para ejecutar cargas de trabajo de aprendizaje automático en entornos de producción. Imagine que es un científico de datos que ha desarrollado un modelo de aprendizaje automático para predecir la diabetes. El modelo funciona según lo esperado y ha creado un script de entrenamiento. El script se usa para volver a entrenar el modelo cada mes cuando se recopilan nuevos datos.
Querrá supervisar el rendimiento del modelo a lo largo del tiempo. Quiere comprender si los nuevos datos cada mes benefician al modelo. Junto al seguimiento de modelos entrenados en cuadernos, también puede usar MLflow para realizar un seguimiento de los modelos en scripts.
MLflow es una plataforma de código abierto que le ayuda a realizar un seguimiento de las métricas y artefactos del modelo entre plataformas y se integra con Azure Machine Learning.
Al usar MLflow junto con Azure Machine Learning, puede ejecutar scripts de entrenamiento localmente o en la nube. Puede revisar las métricas y artefactos del modelo en el área de trabajo de Azure Machine Learning para comparar ejecuciones y decidir los pasos siguientes.
Objetivos de aprendizaje
En este módulo aprenderá a:
- Use MLflow al ejecutar un script como trabajo.
- Revise las métricas, los parámetros, los artefactos y los modelos de una ejecución.