Introduzione
I progetti di Machine Learning sono in aumento in tutte le organizzazioni grazie alla disponibilità di più dati, alla democratizzazione della potenza di calcolo e ai progressi degli algoritmi usati per il training dei modelli.
Tuttavia, uno dei principali ostacoli all'adozione e alla scalabilità dei progetti di Machine Learning è la mancanza di una strategia chiara e di silos organizzativi.
MLOps
L'obiettivo delle operazioni di Machine Learning, o MLOps, è passare in modo più efficiente da un modello di verifica o un progetto pilota a un carico di lavoro di Machine Learning nell'ambiente di produzione.
L'implementazione di MLOps consente di rendere i carichi di lavoro di Machine Learning solidi e riproducibili. Ad esempio, sarà possibile monitorare un modello e ripeterne il training e la distribuzione quando necessario, mantenendo sempre il modello nell'ambiente di produzione.
Lo scopo di MLOps è quello di rendere scalabile il ciclo di vita di Machine Learning:
- Eseguire il training del modello
- Creare un pacchetto del modello
- Convalidare il modello
- Distribuire un modello
- Monitorare il modello
- Ripetere il training del modello
MLOps richiede più ruoli e più strumenti. I data scientist spesso si concentrano su tutte le attività correlate al training del modello, noto anche come ciclo interno.
Per creare un pacchetto del modello e distribuirlo, i data scientist possono aver bisogno dell'aiuto dei tecnici di Machine Learning che applicano le procedure di DevOps per dimensionare i modelli di Machine Learning.
La distribuzione di un modello sottoposto a training nell'ambiente di produzione è spesso definita ciclo esterno. Nel ciclo esterno viene creato un pacchetto del modello, che viene quindi convalidato, distribuito e monitorato. Quando si decide che è necessario ripetere il training del modello, si torna al ciclo interno per apportare le modifiche al modello.
DevOps
L'uso dei principi di DevOps, come la pianificazione Agile, consente al team di organizzare il lavoro e di realizzare più rapidamente i risultati. Con il controllo del codice sorgente, si può facilitare la collaborazione ai progetti. E con l'automazione si può accelerare il ciclo di vita di Machine Learning.
Questo modulo illustra questi principi di DevOps e mette in evidenza due strumenti comunemente usati: Azure DevOps e GitHub.
Obiettivi di apprendimento
Contenuto del modulo:
- Perché DevOps è utile per i progetti di apprendimento automatico.
- Quali principi DevOps possono essere applicati ai progetti di apprendimento automatico.
- Come connettere Azure DevOps e GitHub ad Azure Machine Learning.