Introducción
Imagine que es un ingeniero de aprendizaje automático, encargado de llevar un modelo desde el desarrollo a la producción. Para entrenar, probar e implementar un modelo de aprendizaje automático, se recomienda usar entornos como parte de su estrategia de operaciones de aprendizaje automático (MLOps).
Una vez que un científico de datos haya entrenado y probado el modelo, querrá implementar el modelo, probar la implementación y, por último, implementar el modelo en producción donde se consumirá a gran escala. En línea con las prácticas de desarrollo de software, estas tareas deben realizarse en diferentes entornos. Mediante el uso de entornos como un entorno de desarrollo, un entorno de ensayo y un entorno de producción, puede separar el flujo de trabajo de MLOps.
Para crear entornos diferentes, puede crear diferentes áreas de trabajo de Azure Machine Learning vinculadas a entornos de GitHub independientes. Mediante el uso de Acciones de GitHub, puede automatizar flujos de trabajo entre entornos y agregar aprobaciones controladas para mitigar los riesgos.
Objetivos de aprendizaje
En este módulo aprenderá a:
- Cree entornos en GitHub.
- Use entornos en Acciones de GitHub.
- Agregue aprobaciones para asignar revisores necesarios antes de mover el modelo al siguiente entorno.