Eksplorowanie architektury rozwiązania
Aby zaplanować skalowanie i automatyzację, współpracujesz z kilkoma uczestnikami projektu, aby zdecydować się na architekturę operacji uczenia maszynowego (MLOps).
Uwaga
Diagram jest uproszczoną reprezentacją architektury MLOps. Aby wyświetlić bardziej szczegółową architekturę, zapoznaj się z różnymi przypadkami użycia w akceleratorze rozwiązań MLOps (v2).
Architektura obejmuje następujące elementy:
- Konfiguracja: utwórz wszystkie niezbędne zasoby platformy Azure dla rozwiązania.
- Programowanie modelu (pętla wewnętrzna): Eksplorowanie i przetwarzanie danych w celu trenowania i oceniania modelu.
- Ciągła integracja: pakowanie i rejestrowanie modelu.
- Wdrażanie modelu (pętla zewnętrzna): wdrażanie modelu.
- Ciągłe wdrażanie: przetestuj model i podwyższ poziom do środowiska produkcyjnego.
- Monitorowanie: Monitorowanie wydajności modelu i punktu końcowego.
Najważniejsze dla bieżącego wyzwania jest podjęcie modelu od opracowywania modeli do wdrożenia modelu. Krokiem między tymi dwiema pętlami jest spakować i zarejestrować model. Gdy zespół ds. nauki o danych wytrenował model, niezbędne jest spakować model i zarejestrować go w obszarze roboczym usługi Azure Machine Learning. Po zarejestrowaniu modelu nadszedł czas na wdrożenie modelu.
Istnieje kilka podejść do spakowania modelu. Po zapoznaniu się z niektórymi opcjami, takimi jak praca z plikami pickle, podjęto decyzję o współpracy z zespołem ds. nauki o danych z platformą MLflow. Podczas rejestrowania modelu jako modelu MLflow możesz wybrać wdrożenie bez kodu w obszarze roboczym usługi Azure Machine Learning. jeśli używasz wdrożenia bez kodu, nie musisz tworzyć skryptu oceniania i środowiska, aby wdrożenie działało.
Jeśli chcesz wdrożyć model, możesz wybrać punkt końcowy online dla przewidywań w czasie rzeczywistym lub punkt końcowy wsadowy dla przewidywań wsadowych. Ponieważ model zostanie zintegrowany z aplikacją internetową, w której praktyk będzie wprowadzać dane medyczne oczekujące na bezpośrednią odpowiedź, należy wybrać wdrożenie modelu w punkcie końcowym online.
Model można wdrożyć ręcznie w obszarze roboczym usługi Azure Machine Learning. Jednak oczekujesz, że w przyszłości wdrożysz więcej modeli. I chcesz łatwo ponownie wdrożyć model klasyfikacji cukrzycy za każdym razem, gdy model został ponownie wytrenowany. W związku z tym chcesz zautomatyzować wdrażanie modelu wszędzie tam, gdzie to możliwe.
Uwaga
Chociaż automatyzacja jest krytycznym aspektem metodyki MLOps, kluczowe znaczenie ma utrzymanie pętli w człowieku. Najlepszym rozwiązaniem jest zweryfikowanie modelu przed jego automatycznym wdrożeniem.