Organizowanie metodyki MLOps za pomocą usługi Azure Databricks

Ten artykuł zawiera architekturę i proces operacji uczenia maszynowego (MLOps), który korzysta z usługi Azure Databricks. Analitycy danych i inżynierowie mogą używać tego standardowego procesu do przenoszenia modeli i potoków uczenia maszynowego z programowania do środowiska produkcyjnego.

To rozwiązanie może korzystać z pełnej automatyzacji, ciągłego monitorowania i niezawodnej współpracy, a w związku z tym jest przeznaczone dla poziomu 4 dojrzałości MLOps. Ta architektura używa kodu podwyższania poziomu, który generuje podejście modelu , a nie podwyższanie poziomu modeli . Podwyższanie poziomu kodu, który generuje podejście modelu , koncentruje się na pisaniu kodu, który generuje modele uczenia maszynowego i zarządzaniu nim. Zalecenia zawarte w tym artykule obejmują opcje procesów automatycznych lub ręcznych.

Architektura

Pobierz plik programu Visio z tą architekturą.

Przepływ pracy

Poniższy przepływ pracy odpowiada powyższemu diagramowi. Użyj składników kontroli źródła i magazynu, aby zarządzać i organizować kod i dane.

Kontrola źródła: repozytorium kodu tego projektu organizuje notesy, moduły i potoki. Możesz tworzyć gałęzie programistyczne w celu testowania aktualizacji i nowych modeli. Twórz kod w notesach obsługiwanych przez usługę Git lub zintegrowanych środowiskach projektowych (IDE), które integrują się z folderami Git, aby umożliwić synchronizację z obszarami roboczymi usługi Azure Databricks. Kontrola źródła promuje potoki uczenia maszynowego ze środowiska deweloperskiego do testowania w środowisku przejściowym i wdrażania w środowisku produkcyjnym.

Dane produkcyjne usługi Lakehouse: jako analityk danych masz dostęp tylko do odczytu do danych produkcyjnych w środowisku deweloperskim. Środowisko projektowe może mieć zdublowane dane i zredagowane poufne dane. Masz również dostęp do odczytu i zapisu w środowisku magazynu deweloperskiego na potrzeby programowania i eksperymentowania. Zalecamy użycie architektury typu lakehouse dla danych, w których dane w formacie usługi Delta Lake są przechowywane w usłudze Azure Data Lake Storage. Usługa Lakehouse zapewnia niezawodne, skalowalne i elastyczne rozwiązanie do zarządzania danymi. Aby zdefiniować mechanizmy kontroli dostępu, użyj funkcji przekazywania poświadczeń identyfikatora entra firmy Microsoft lub kontroli dostępu do tabel.

Następujące środowiska składają się z głównego przepływu pracy.

Opracowywanie zawartości

W środowisku deweloperskim tworzysz potoki uczenia maszynowego.

1. Wykonywanie eksploracyjnej analizy danych (EDA): eksplorowanie danych w interaktywnym, iteracyjnym procesie. Ta praca może nie zostać wdrożona w środowisku przejściowym lub produkcyjnym. Użyj narzędzi, takich jak Databricks SQL, dbutils.data.summarize i Databricks AutoML.

2. Opracowywanie trenowania modelu i innych potoków uczenia maszynowego: opracowywanie potoków uczenia maszynowego modułowych i organizowanie kodu za pomocą notesów usługi Databricks lub projektu MLflow. W tej architekturze potok trenowania modelu odczytuje dane z magazynu funkcji i innych tabel lakehouse. Potok trenuje itunes parametry i metryki modelu dziennika do serwera śledzenia MLflow. Interfejs API magazynu funkcji rejestruje ostatni model. Te dzienniki obejmują model, jego dane wejściowe i kod trenowania.

3. Zatwierdź kod: aby podwyższyć poziom przepływu pracy uczenia maszynowego do produkcji, zatwierdź kod do cechowania, trenowania i innych potoków w celu kontroli źródła. W bazie kodu umieść kod uczenia maszynowego i kod operacyjny w różnych folderach, aby członkowie zespołu mogli tworzyć kod jednocześnie. Kod uczenia maszynowego to kod powiązany z modelem i danymi. Kod operacyjny to kod powiązany z zadaniami i infrastrukturą usługi Databricks.

Ten podstawowy cykl działań wykonywanych podczas pisania i testowania kodu jest nazywany procesem innerloop. Aby wykonać proces innerloop dla fazy programowania, użyj programu Visual Studio Code w połączeniu z interfejsem wiersza polecenia kontenera deweloperskiego i interfejsem wiersza polecenia usługi Databricks. Kod można napisać i przeprowadzić lokalne testowanie jednostkowe. Należy również przesyłać, monitorować i analizować potoki modelu z lokalnego środowiska deweloperskiego.

Przygotowanie

W środowisku przejściowym testy infrastruktury ciągłej integracji zmieniają się w potoki uczenia maszynowego w środowisku, które naśladuje produkcję.

4. Scal żądanie: po przesłaniu żądania scalania lub żądania ściągnięcia względem gałęzi przejściowej (głównej) projektu w kontroli źródła narzędzie ciągłej integracji i ciągłego dostarczania (CI/CD), takie jak usługa Azure DevOps uruchamia testy.

5. Uruchamianie testów jednostkowych i testów ciągłej integracji: testy jednostkowe są uruchamiane w infrastrukturze ciągłej integracji, a testy integracji są uruchamiane w pełnych przepływach pracy w usłudze Azure Databricks. Jeśli testy przejdą, kod zmieni się w scalanie.

6. Utwórz gałąź wydania: jeśli chcesz wdrożyć zaktualizowane potoki uczenia maszynowego w środowisku produkcyjnym, możesz utworzyć nową wersję. Potok wdrażania w narzędziu ciągłej integracji/ciągłego wdrażania ponownie wdraża zaktualizowane potoki jako nowe przepływy pracy.

Produkcyjne

Inżynierowie uczenia maszynowego zarządzają środowiskiem produkcyjnym, w którym potoki uczenia maszynowego obsługują bezpośrednio aplikacje końcowe. Kluczowe potoki w tabelach funkcji odświeżania produkcyjnego, trenowanie i wdrażanie nowych modeli, wnioskowanie lub obsługa oraz monitorowanie wydajności modelu.

7. Odświeżanie tabeli funkcji: ten potok odczytuje dane, funkcje obliczeniowe i zapisy w tabelach magazynu funkcji. Możesz skonfigurować ten potok tak, aby był uruchamiany w trybie ciągłego przesyłania strumieniowego, uruchamiany zgodnie z harmonogramem lub uruchamiany na wyzwalaczu.

8. Trenowanie modelu: w środowisku produkcyjnym można skonfigurować trenowanie modelu lub potok ponownego trenowania w taki sposób, aby był uruchamiany na wyzwalaczu lub zgodnie z harmonogramem trenowania nowego modelu na najnowszych danych produkcyjnych. Modele są automatycznie rejestrowane w katalogu aparatu Unity.

9. Ocena modelu i podwyższanie poziomu: po zarejestrowaniu nowej wersji modelu potok ciągłego wdrażania uruchamia testy w celu zapewnienia, że model będzie działać dobrze w środowisku produkcyjnym. Gdy model przejdzie testy, katalog aparatu Unity śledzi postęp za pośrednictwem przejść etapu modelu. Testy obejmują testy zgodności, testy A/B w celu porównania nowego modelu z bieżącym modelem produkcyjnym i testami infrastruktury. Tabele lakehouse rejestrują wyniki testów i metryki. Opcjonalnie możesz wymagać ręcznego logowania przed przejściem modeli do środowiska produkcyjnego.

10. Wdrażanie modelu: gdy model wchodzi do środowiska produkcyjnego, jest wdrażany na potrzeby oceniania lub obsługi. Najbardziej typowe tryby wdrażania to:

    • Ocenianie wsadowe lub przesyłane strumieniowo: w przypadku opóźnień minut lub dłuższych usługa Batch i przesyłanie strumieniowe to najbardziej ekonomiczne opcje. Potok oceniania odczytuje najnowsze dane z magazynu funkcji, ładuje najnowszą wersję modelu produkcyjnego z wykazu aparatu Unity i wykonuje wnioskowanie w zadaniu usługi Databricks. Może publikować przewidywania w tabelach lakehouse, połączeniu JDBC (Java Database Connectivity), plikach prostych, kolejkach komunikatów lub innych systemach podrzędnych.

    • Obsługa online (interfejsy API REST): w przypadku przypadków użycia o małych opóźnieniach zazwyczaj potrzebna jest obsługa online. Rozwiązanie MLflow może wdrażać modele w usłudze Mosaic AI Model Serving, dostawcy usług w chmurze i innych systemach. We wszystkich przypadkach system obsługujący inicjuje najnowszy model produkcyjny z katalogu aparatu Unity. Dla każdego żądania pobiera funkcje ze sklepu funkcji online i tworzy przewidywania.

11. Monitorowanie: Ciągłe lub okresowe przepływy pracy monitorują dane wejściowe i przewidywania modelu pod kątem dryfu, wydajności i innych metryk. Za pomocą platformy Delta Live Tables można zautomatyzować monitorowanie potoków i przechowywać metryki w tabelach lakehouse. Usługi Databricks SQL, Power BI i inne narzędzia mogą odczytywać z tych tabel w celu tworzenia pulpitów nawigacyjnych i alertów. Aby monitorować metryki, dzienniki i infrastrukturę aplikacji, możesz również zintegrować usługę Azure Monitor z usługą Azure Databricks.

12. Wykrywanie dryfu i ponowne trenowanie modelu: ta architektura obsługuje zarówno ręczne, jak i automatyczne ponowne trenowanie. Zaplanuj ponowne trenowanie zadań, aby zachować świeżość modeli. Po wykryciu dryfu przekroczy wstępnie skonfigurowany próg ustawiony w kroku monitorowania, potoki ponownego trenowania analizują dryf i wyzwalają ponowne trenowanie. Potoki można skonfigurować do automatycznego wyzwalania lub otrzymywać powiadomienie, a następnie uruchamiać potoki ręcznie.

Składniki

• Architektura typu data lakehouse łączy elementy magazynów danych i magazynów danych. Usługa Lakehouse umożliwia uzyskiwanie możliwości zarządzania danymi i wydajności, które zwykle znajdują się w magazynach danych, ale w przypadku tanich, elastycznych magazynów obiektów oferowanych przez magazyny typu data lake.

  • Usługa Delta Lake jest zalecanym formatem danych typu open source dla usługi Lakehouse. Usługa Azure Databricks przechowuje dane w usłudze Data Lake Storage i udostępnia aparat zapytań o wysokiej wydajności.

• MLflow to projekt typu open source umożliwiający zarządzanie cyklem życia kompleksowego uczenia maszynowego. Rozwiązanie MLflow ma następujące składniki:

  • Funkcja śledzenia śledzi eksperymenty, dzięki czemu można rejestrować i porównywać parametry, metryki i artefakty modelu.

    • Automatyczne rejestrowanie usługi Databricks rozszerza automatyczne rejestrowanie MLflow w celu śledzenia eksperymentów uczenia maszynowego i automatycznego rejestrowania parametrów modelu, metryk, plików i informacji o pochodzenia.

  • Model MLflow to format, za pomocą którego można przechowywać i wdrażać modele z dowolnej biblioteki uczenia maszynowego na różnych platformach obsługujących modele i wnioskowania.

  • Wykaz aparatu Unity zapewnia scentralizowaną kontrolę dostępu, inspekcję, pochodzenie i funkcje odnajdywania danych w obszarach roboczych usługi Azure Databricks.

  • Mozaika model AI obsługujący hostuje modele MLflow jako punkty końcowe REST.

• Usługa Azure Databricks udostępnia zarządzaną usługę MLflow z funkcjami zabezpieczeń przedsiębiorstwa, wysoką dostępnością i integracją z innymi funkcjami obszaru roboczego usługi Azure Databricks.

  • Środowisko Databricks Runtime for Machine Learning automatyzuje tworzenie klastra zoptymalizowanego pod kątem uczenia maszynowego i preinstaluje popularne biblioteki uczenia maszynowego, takie jak TensorFlow, PyTorch i XGBoost. Usługa Azure Databricks jest również wstępnie instalowana dla narzędzi uczenia maszynowego, takich jak oprogramowanie AutoML i klienci magazynu funkcji.

  • Magazyn funkcji to scentralizowane repozytorium funkcji. Magazyn funkcji umożliwia odnajdywanie i udostępnianie funkcji oraz zapobieganie niesymetryczności danych między trenowaniem i wnioskowaniem modelu.

  • Usługa Databricks SQL integruje się z różnymi narzędziami, dzięki czemu można tworzyć zapytania i pulpity nawigacyjne w ulubionych środowiskach bez dostosowywania się do nowej platformy.

  • Foldery Git zapewniają integrację z dostawcą usługi Git w obszarze roboczym usługi Azure Databricks, co usprawnia współpracę notesu lub kodu i integrację środowiska IDE.

  • Przepływy pracy i zadania umożliwiają uruchamianie kodu nieinterakcyjnego w klastrze usługi Azure Databricks. W przypadku uczenia maszynowego zadania zapewniają automatyzację przygotowywania danych, cechowania, trenowania, wnioskowania i monitorowania.

Alternatywy

To rozwiązanie można dostosować do infrastruktury platformy Azure. Rozważ następujące dostosowania:

• Użyj wielu obszarów roboczych programowania, które współdzielą wspólny obszar roboczy produkcyjny.

• Wymiana co najmniej jednego składnika architektury dla istniejącej infrastruktury. Na przykład możesz użyć usługi Azure Data Factory do organizowania zadań usługi Databricks.

• Integracja z istniejącymi narzędziami ciągłej integracji/ciągłego wdrażania za pośrednictwem interfejsów API REST usług Git i Azure Databricks.

• Użyj usługi Microsoft Fabric lub Azure Synapse Analytics jako alternatywnych usług uczenia maszynowego.

Szczegóły scenariusza

To rozwiązanie zapewnia niezawodny proces MLOps korzystający z usługi Azure Databricks. Możesz zastąpić wszystkie elementy architektury, aby w razie potrzeby zintegrować inne usługi platformy Azure i usługi partnerskie. Ta architektura i opis są dostosowane z książki e-book The Big Book of MLOps. Książka elektroniczna bardziej szczegółowo bada tę architekturę.

Metodyka MLOps pomaga zmniejszyć ryzyko awarii w systemach uczenia maszynowego i sztucznej inteligencji oraz zwiększa wydajność współpracy i narzędzi. Aby zapoznać się z wprowadzeniem do metodyki MLOps i omówieniem tej architektury, zobacz Architektura metodyki MLOps w usłudze Lakehouse.

Użyj tej architektury, aby:

• Połącz zainteresowanych stron biznesowych z zespołami uczenia maszynowego i nauki o danych. Ta architektura służy do dołączania notesów i środowisk IDE na potrzeby programowania. Uczestnicy projektu biznesowego mogą wyświetlać metryki i pulpity nawigacyjne w usłudze Databricks SQL— wszystkie w ramach tej samej architektury usługi LakeHouse.

• Uśmierć dane infrastruktury uczenia maszynowego. Ta architektura traktuje dane uczenia maszynowego tak samo jak inne dane. Dane uczenia maszynowego obejmują dane z inżynierii cech, trenowania, wnioskowania i monitorowania. Ta architektura ponownie używa narzędzi dla potoków produkcyjnych, pulpitów nawigacyjnych i innych ogólnych przetwarzania danych na potrzeby przetwarzania danych uczenia maszynowego.

• Implementowanie metodyki MLOps w modułach i potokach. Podobnie jak w przypadku każdej aplikacji programowej, użyj modułowych potoków i kodu w tej architekturze, aby przetestować poszczególne składniki i zmniejszyć koszt przyszłej refaktoryzacji.

• Automatyzowanie procesów MLOps zgodnie z potrzebami. W tej architekturze można zautomatyzować kroki w celu zwiększenia produktywności i zmniejszenia ryzyka błędu ludzkiego, ale nie trzeba automatyzować każdego kroku. Usługa Azure Databricks zezwala na interfejs użytkownika i procesy ręczne oprócz interfejsów API na potrzeby automatyzacji.

Potencjalne przypadki użycia

Ta architektura ma zastosowanie do wszystkich typów uczenia maszynowego, uczenia głębokiego i zaawansowanych analiz. Typowe techniki uczenia maszynowego i sztucznej inteligencji w tej architekturze obejmują:

• Klasyczne uczenie maszynowe, takie jak modele liniowe, modele oparte na drzewach i zwiększanie.
• Nowoczesne uczenie głębokie, takie jak TensorFlow i PyTorch.
• Analiza niestandardowa, na przykład statystyki, metody Bayesowskie i analiza grafów.

Architektura obsługuje zarówno małe dane (pojedyncze maszyny) jak i duże dane (przetwarzanie rozproszone i przyspieszone procesory GPU). Na każdym etapie architektury można wybrać zasoby obliczeniowe i biblioteki, aby dostosować się do danych i wymiarów problemów scenariusza.

Architektura ma zastosowanie do wszystkich typów branż i przypadków użycia biznesowego. Klienci usługi Azure Databricks korzystający z tej architektury obejmują małe i duże organizacje w następujących branżach:

• Towary konsumpcyjne i usługi detaliczne
• Usługi finansowe
• Opieka zdrowotna i nauki przyrodnicze
• Technologie informatyczne

Przykłady można znaleźć w temacie Klienci usługi Databricks.

Współautorzy

Ten artykuł jest obsługiwany przez firmę Microsoft. Pierwotnie został napisany przez następujących współautorów.

Autorzy zabezpieczeń:

• Brandon Cowen | Starszy architekt rozwiązań w chmurze
• Prabal Deb | Główny inżynier oprogramowania

Aby wyświetlić niepubalne profile serwisu LinkedIn, zaloguj się do serwisu LinkedIn.

Następne kroki

• Sztuczna inteligencja i uczenie maszynowe w usłudze Databricks
• Strona i zasoby produktu uczenia maszynowego usługi Databricks

Powiązane zasoby

• Model dojrzałości MLOps
• Metodyka MLOps w wersji 2