Explorer l’architecture de la solution
Pour planifier la mise à l’échelle et l’automatisation, vous avez travaillé en collaboration avec plusieurs parties prenantes pour décider d’une architecture MLOps (opérations de Machine Learning).
Notes
Le diagramme est une représentation simplifiée d’une architecture MLOps. Pour obtenir une architecture plus détaillée, explorez les différents cas d’usage dans l’accélérateur de solution MLOps (v2).
L’architecture comprend les éléments suivants :
- Installation : créer toutes les ressources Azure nécessaires pour la solution.
- Développement de modèle (boucle interne) : explorer et traiter les données pour entraîner et évaluer le modèle.
- Intégration continue : empaqueter et inscrire le modèle.
- Déploiement de modèle (boucle externe) : déployer le modèle.
- Déploiement continu : tester le modèle et le promouvoir dans un environnement de production.
- Supervision : superviser les performances du modèle et du point de terminaison.
Pour le test actuel, le plus important est de faire passer un modèle du développement de modèle au déploiement de modèle. L’étape entre ces deux boucles consiste à empaqueter et inscrire le modèle. Une fois que l’équipe de science des données a entraîné un modèle, il est essentiel d’empaqueter le modèle et de l’inscrire dans l’espace de travail Azure Machine Learning. Une fois le modèle inscrit, il est temps de le déployer.
Il existe plusieurs approches pour empaqueter le modèle. Après avoir examiné certaines options telles que l’utilisation de fichiers Pickle, vous avez décidé avec l’équipe de science des données d’utiliser MLflow. Quand vous inscrivez le modèle en tant que modèle MLflow, vous pouvez choisir le déploiement sans code dans l’espace de travail Azure Machine Learning. Quand vous utilisez le déploiement sans code, vous n’avez pas besoin de créer le script de scoring et l’environnement pour que le déploiement fonctionne.
Quand vous souhaitez déployer un modèle, vous avez le choix entre un point de terminaison en ligne pour les prédictions en temps réel ou un point de terminaison de lot pour les prédictions par lot. Étant donné que le modèle sera intégré à une application web dans laquelle le praticien entrera des données médicales en espérant obtenir une réponse directe, vous choisissez de déployer le modèle sur un point de terminaison en ligne.
Vous pouvez déployer le modèle manuellement dans l’espace de travail Azure Machine Learning. Toutefois, vous vous attendez à déployer plus de modèles à l’avenir. Et vous souhaitez redéployer facilement le modèle de classification du diabète chaque fois que le modèle a été réentraîné. Vous souhaitez donc automatiser le déploiement du modèle dans la mesure du possible.
Notes
Même si l’automatisation est un aspect essentiel de MLOps, il est primordial de maintenir une présence humaine dans la boucle. Il est recommandé de vérifier le modèle avant de le déployer automatiquement.