モデル デプロイ
Azure Machine Learning ワークスペースを使用すると、モデルを手動でデプロイできます。 モデルを自動的にデプロイするには、Azure Machine Learning CLI (v2) と GitHub Actions を使用できます。 GitHub Actions を使用してモデルを自動的にデプロイするには、次の操作を行う必要があります。
- モデルをパッケージ化して登録します。
- エンドポイントを作成し、モデルをデプロイします。
- デプロイしたモデルをテストする。
モデルをパッケージ化して登録する
Azure Machine Learning ワークスペースを使用してモデルをデプロイする場合は常に、モデルの出力を保存し、ワークスペースにモデルを 登録する必要があります。 モデルを登録する際、MLflow またはカスタムのどちらのモデルを使用するかを指定します。
MLflow を使用してモデルを作成してログする場合、コードなしのデプロイを使用できます。
ヒント
MLflow モデルをデプロイする方法の詳細については、こちらを参照してください。
MLflow を使用してモデルをログするには、mlflow.autolog() を使用して、トレーニング スクリプトで自動ログを有効にします。
モデルのトレーニング中にモデルをログすると、モデルはジョブ出力に保存されます。 または、モデルを Azure Machine Learning データストアに保存できます。
モデルを登録するには、ジョブの出力、または Azure Machine Learning データストアの場所を指定できます。
エンドポイントを作成し、モデルをデプロイする
モデルをエンドポイントにデプロイするには、最初にエンドポイントを作成してからモデルをデプロイします。 エンドポイントは、Web アプリでデータを送信でき、予測を取得できる HTTPS エンドポイントです。 更新されたモデルを同じエンドポイントにデプロイした後でも、エンドポイントを同じままにしておく必要があります。 エンドポイントが同じまましておくと、モデルが再トレーニングされるたびに Web アプリを更新する必要がありません。
ヒント
Azure Machine Learning CLI (v2) を使用してモデルをデプロイする方法の詳細については、こちらを参照してください。
モデルのテスト
最後に、エンドポイントを Web アプリと統合する前。 またはエンドポイントのすべてのトラフィックを更新されたモデルに変換する前に、デプロイされたモデルをテストする必要があります。 オンライン エンドポイントを手動でテストすることも、GitHub Actions を使用してエンドポイントのテストを自動化することもできます。
注意
モデル デプロイ タスクと同じワークフローにテスト タスクを追加できます。 ただし、モデル デプロイが完了するまでしばらくかかる場合があります。 このため、必ずモデル デプロイが正常に完了した場合にのみテストが行われるようにする必要があります。