Wprowadzenie
Wyobraź sobie, że jesteś inżynierem uczenia maszynowego, którego zadaniem jest pobranie modelu od programowania do środowiska produkcyjnego. Aby wytrenować, przetestować i wdrożyć model uczenia maszynowego, najlepiej używać środowisk w ramach strategii operacji uczenia maszynowego (MLOps).
Po przeszkoleniu i przetestowaniu modelu przez analityka danych należy wdrożyć model, przetestować wdrożenie i wdrożyć model w środowisku produkcyjnym, w którym będzie używany na dużą skalę. Zgodnie z praktykami tworzenia oprogramowania te zadania powinny być wykonywane w różnych środowiskach. Korzystając ze środowisk takich jak środowisko programistyczne, przejściowe i produkcyjne, można oddzielić przepływ pracy metodyki MLOps.
Aby utworzyć różne środowiska, możesz utworzyć różne obszary robocze usługi Azure Machine Learning połączone z oddzielnymi środowiskami usługi GitHub. Za pomocą funkcji GitHub Actions można zautomatyzować przepływy pracy w różnych środowiskach, dodając zatwierdzenia z bramkami w celu ograniczenia ryzyka.
Cele szkolenia
Ten moduł obejmuje następujące zagadnienia:
- Konfigurowanie środowisk w usłudze GitHub.
- Użyj środowisk w funkcji GitHub Actions.
- Dodaj zatwierdzenia, aby przypisać wymaganych recenzentów przed przeniesieniem modelu do następnego środowiska.