Inleiding
Stel dat u een machine learning-engineer bent die een model moet nemen van ontwikkeling naar productie. Als u een machine learning-model wilt trainen, testen en implementeren, kunt u het beste omgevingen gebruiken als onderdeel van uw MLOps-strategie (Machine Learning Operations).
Nadat een data scientist het model heeft getraind en getest, wilt u het model implementeren, de implementatie testen en ten slotte het model implementeren in productie waar het op grote schaal wordt gebruikt. In overeenstemming met de procedures voor softwareontwikkeling moeten deze taken in verschillende omgevingen worden uitgevoerd. Door omgevingen te gebruiken zoals een ontwikkel-, faserings- en productieomgeving, kunt u de MLOps-werkstroom scheiden.
Als u verschillende omgevingen wilt maken, kunt u verschillende Azure Machine Learning-werkruimten maken die zijn gekoppeld aan afzonderlijke GitHub-omgevingen. Met behulp van GitHub Actions kunt u werkstromen automatiseren in omgevingen, waarbij u gated goedkeuringen toevoegt om risico's te beperken.
Leerdoelen
In deze module wordt het volgende behandeld:
- Omgevingen instellen in GitHub.
- Omgevingen gebruiken in GitHub Actions.
- Voeg goedkeuringen toe om vereiste revisoren toe te wijzen voordat u het model naar de volgende omgeving verplaatst.