Wdrożenie modelu
Model można wdrożyć ręcznie za pomocą obszaru roboczego usługi Azure Machine Learning. Aby automatycznie wdrożyć model, możesz użyć interfejsu wiersza polecenia usługi Azure Machine Learning (wersja 2) i funkcji GitHub Actions. Aby automatycznie wdrożyć model za pomocą funkcji GitHub Actions, należy wykonać następujące czynności:
- Pakowanie i rejestrowanie modelu.
- Utwórz punkt końcowy i wdróż model.
- Testowanie wdrożonego modelu.
Pakowanie i rejestrowanie modelu
Za każdym razem, gdy chcesz wdrożyć model w obszarze roboczym usługi Azure Machine Learning, musisz zapisać dane wyjściowe modelu i zarejestrować model w obszarze roboczym. Podczas rejestrowania modelu należy określić, czy masz model MLflow, czy niestandardowy.
Podczas tworzenia i rejestrowania modelu za pomocą biblioteki MLflow można użyć wdrożenia bez kodu.
Napiwek
Dowiedz się więcej na temat wdrażania modeli MLflow.
Aby zarejestrować model za pomocą biblioteki MLflow, włącz automatyczne rejestrowanie w skry skrycie trenowania przy użyciu polecenia mlflow.autolog().
Podczas rejestrowania modelu podczas trenowania modelu model jest przechowywany w danych wyjściowych zadania. Alternatywnie możesz przechowywać model w magazynie danych usługi Azure Machine Learning.
Aby zarejestrować model, możesz wskazać dane wyjściowe zadania lub lokalizację w magazynie danych usługi Azure Machine Learning.
Tworzenie punktu końcowego i wdrażanie modelu
Aby wdrożyć model w punkcie końcowym, należy najpierw utworzyć punkt końcowy, a następnie wdrożyć model. Punkt końcowy to punkt końcowy HTTPS, z którego aplikacja internetowa może wysyłać dane i uzyskiwać przewidywanie. Chcesz, aby punkt końcowy pozostał taki sam, nawet po wdrożeniu zaktualizowanego modelu w tym samym punkcie końcowym. Gdy punkt końcowy pozostanie taki sam, aplikacja internetowa nie będzie musiała być aktualizowana za każdym razem, gdy model zostanie ponownie wytrenowany.
Napiwek
Dowiedz się więcej na temat wdrażania modelu przy użyciu interfejsu wiersza polecenia usługi Azure Machine Learning (wersja 2).
Testowanie modelu
Na koniec należy przetestować wdrożony model przed zintegrowaniem punktu końcowego z aplikacją internetową. Lub przed przekonwertowaniem całego ruchu punktu końcowego na zaktualizowany model. Możesz ręcznie przetestować punkt końcowy online lub zautomatyzować testowanie punktu końcowego za pomocą funkcji GitHub Actions.
Uwaga
Zadanie testowe można dodać do tego samego przepływu pracy co zadanie wdrażania modelu. Wdrożenie modelu może jednak zająć trochę czasu. W związku z tym należy upewnić się, że testowanie odbywa się tylko po pomyślnym zakończeniu wdrażania modelu.