Déploiement de modèle
Vous pouvez déployer manuellement un modèle avec l’espace de travail Azure Machine Learning. Pour déployer automatiquement un modèle, vous pouvez utiliser l’interface CLI Azure Machine Learning (v2) et GitHub Actions. Pour déployer automatiquement un modèle avec GitHub Actions, vous devez :
- Empaqueter et inscrire le modèle.
- Créer un point de terminaison et déployer le modèle.
- Tester le modèle déployé
Empaqueter et inscrire le modèle
Chaque fois que vous souhaitez déployer un modèle avec l’espace de travail Azure Machine Learning, vous devez enregistrer la sortie du modèle et inscrire ce dernier dans l’espace de travail. Quand vous inscrivez le modèle, vous spécifiez si vous disposez d’un modèle MLflow ou personnalisé.
Quand vous créez et journalisez un modèle avec MLflow, vous pouvez utiliser le déploiement sans code.
Conseil
Découvrez en plus sur la façon de déployer des modèles MLflow.
Pour journaliser votre modèle avec MLflow, activez la journalisation automatique dans votre script d’entraînement avec mlflow.autolog().
Quand vous journalisez un modèle au cours de son entraînement, le modèle est stocké dans la sortie du travail. Vous pouvez également stocker le modèle dans un magasin de données Azure Machine Learning.
Pour inscrire le modèle, vous pouvez pointer vers la sortie d’un travail ou vers un emplacement dans un magasin de données Azure Machine Learning.
Créer un point de terminaison et déployer le modèle
Pour déployer le modèle sur un point de terminaison, vous devez d’abord créer un point de terminaison, puis déployer le modèle. Un point de terminaison est un point de terminaison HTTPS auquel l’application web peut envoyer des données afin d’obtenir une prédiction. Vous souhaitez que le point de terminaison reste le même, même après avoir déployé un modèle mis à jour sur le même point de terminaison. Quand le point de terminaison reste le même, l’application web n’a pas besoin d’être mise à jour chaque fois que le modèle est réentraîné.
Conseil
Découvrez en plus sur la façon de déployer un modèle avec l’interface CLI Azure Machine Learning (v2).
Tester le modèle
Enfin, vous voudrez tester le modèle déployé avant d’intégrer le point de terminaison à l’application web. Ou avant de convertir tout le trafic d’un point de terminaison vers le modèle mis à jour. Vous pouvez tester manuellement un point de terminaison en ligne ou vous pouvez automatiser le test du point de terminaison avec GitHub Actions.
Notes
Vous pouvez ajouter une tâche de test au même workflow que la tâche de déploiement de modèle. Toutefois, le déploiement de modèle peut prendre un certain temps. Vous devez donc vous assurer que le test ne se produit que quand le déploiement du modèle s’est terminé avec succès.