Condividi tramite

MLOps con Azure Machine Learning

  • Articolo

MLOps (operazioni di Machine Learning) si basa su principi e procedure di DevOps che aumentano l'efficienza del flusso di lavoro, ad esempio l'integrazione, la consegna e la distribuzione continue. MLOps applica questi principi al processo di apprendimento automatico per:

  • Sperimentare e sviluppare i modelli più rapidamente.
  • Distribuire i modelli più rapidamente nell'ambiente di produzione.
  • Applicare e perfezionare il controllo di qualità.

Azure Machine Learning offre le funzionalità MLOps seguenti:

  • Creare pipeline riproducibili. Le pipeline di Machine Learning consentono di definire passaggi ripetibili e riutilizzabili per i processi di preparazione, training e assegnazione dei punteggi dei dati.
  • Creare ambienti software riutilizzabili per il training e la distribuzione di modelli.
  • Registrare i modelli, inserirli in pacchetti e distribuirli da qualsiasi posizione. È possibile tenere traccia dei metadati associati necessari per usare il modello.
  • Acquisire i dati di governance per il ciclo di vita end-to-end. Le informazioni registrate possono includere chi pubblica i modelli, perché sono state apportate modifiche e quando i modelli sono stati distribuiti o usati nell'ambiente di produzione.
  • Inviare notifiche e avvisi riguardo agli eventi nel ciclo di vita. Ad esempio, è possibile ricevere un avviso per il completamento dell'esperimento, la registrazione del modello, la distribuzione del modello e il rilevamento della deriva dei dati.
  • Monitorare le applicazioni per i problemi operativi e relativi all'apprendimento automatico. Confrontare gli input del modello tra training e inferenza, esplorare le metriche specifiche del modello e offrire monitoraggio e avvisi nell'infrastruttura di apprendimento automatico.
  • Automatizzare il ciclo di vita dell'apprendimento automatico end-to-end con Azure Machine Learning e Azure Pipelines. Con le pipeline è possibile aggiornare spesso i modelli, testare nuovi modelli e implementare continuamente nuovi modelli di Machine Learning insieme ad altre applicazioni e servizi.

Procedure consigliate per MLOps con Azure Machine Learning

I modelli differiscono dal codice perché hanno una shelf-life organica e senza manutenzione si deteriorano. Dopo la distribuzione, possono aggiungere un reale valore di business, soprattutto se i data scientist hanno a disposizione gli strumenti per l'adozione delle procedure di progettazione standard.

MLOps con Azure consente di:

  • Creare modelli riproducibili e pipeline di training riutilizzabili.
  • Semplificare la creazione di pacchetti di modelli, la convalida e la distribuzione per il controllo qualità e i test A/B.
  • Spiegare e osservare il comportamento del modello e automatizzare il processo di ripetizione del training.

MLOps migliora la qualità e la coerenza delle soluzioni per l'apprendimento automatico. Per altre informazioni sull'uso di Azure Machine Learning per gestire il ciclo di vita dei modelli, vedere MLOps: Gestione dei modelli, distribuzione e monitoraggio con Azure Machine Learning.

Passaggi successivi

Per altre informazioni, leggere ed esplorare le risorse seguenti: