Introduction
Imaginez que vous êtes ingénieur Machine Learning, et que vous êtes chargé de déplacer un modèle du développement vers la production. Pour entraîner, tester et déployer un modèle Machine Learning, il est conseillé d’utiliser des environnements dans le cadre de votre stratégie MLOps (Machine Learning Operations).
Une fois qu’un scientifique des données a entraîné et testé le modèle, vous souhaitez déployer le modèle, tester le déploiement et, pour finir, déployer le modèle en production où il sera utilisé à grande échelle. Conformément aux bonnes pratiques du développement logiciel, ces tâches doivent être effectuées dans des environnements différents. En utilisant des environnements distincts pour le développement, la préproduction et la production, vous pouvez séparer le workflow MLOps.
Pour créer les différents environnements, vous créez plusieurs espaces de travail Azure Machine Learning qui sont chacun liés à un environnement GitHub distinct. En utilisant GitHub Actions, vous pouvez automatiser les workflows entre les environnements, en ajoutant des approbations contrôlées pour atténuer les risques.
Objectifs d’apprentissage
Dans ce module, vous allez découvrir comment :
- Configurer les environnements dans GitHub.
- Utiliser les environnements dans GitHub Actions.
- Ajouter des approbations pour définir les réviseurs nécessaires avant de déplacer le modèle vers l’environnement suivant.