Inleiding
Stel dat u een machine learning-engineer bent en samen met een data science-team werkt aan een diabetesclassificatiemodel. De werkstroom die door het data science-team is gemaakt, verwerkt gegevens vooraf en traint het model. U wilt de werkstroom automatisch uitvoeren. Door dit te doen, schakelt u geautomatiseerde training (en hertraining) van het classificatiemodel in verschillende omgevingen in, gebaseerd op verschillende gebeurtenissen.
Automatisering is een belangrijk onderdeel van machine learning-bewerkingen (MLOps). Net als bij DevOps biedt MLOps snelle ontwikkeling en levering van machine learning-artefacten aan consumenten van deze artefacten. Met een effectieve MLOps-strategie kunt u geautomatiseerde werkstromen maken om machine learning-modellen te trainen, te testen en te implementeren en tegelijkertijd ervoor te zorgen dat de modelkwaliteit behouden blijft.
Met Behulp van GitHub Actions voert u automatisch een Azure Machine Learning-taak uit om een model te trainen. Als u uw Azure Machine Learning-taken wilt uitvoeren met GitHub Actions, slaat u uw Azure-referenties op als een geheim in GitHub. Vervolgens definieert u de GitHub-actie met behulp van YAML.
Leerdoelen
In deze module wordt het volgende behandeld:
- Maak en wijs een service-principal de machtigingen toe die nodig zijn om een Azure Machine Learning-taak uit te voeren.
- Sla Azure-referenties veilig op met behulp van geheimen in GitHub.
- Maak een GitHub-actie met YAML die gebruikmaakt van de opgeslagen Azure-referenties om een Azure Machine Learning-taak uit te voeren.