Określenie problemu biznesowego
Wyobraź sobie, że jesteś inżynierem uczenia maszynowego w firmie Proseware, młodym start-upem pracującym nad nową aplikacją opieki zdrowotnej. Model klasyfikacji cukrzycy utworzony przez analityków danych jest pierwszym modelem, który ma zostać zintegrowany z aplikacją. Po rozmowie z większym zespołem okazuje się, że celem jest zintegrowanie wielu modeli z aplikacją internetową.
Gdy model klasyfikacji cukrzycy okaże się udany, Proseware chce dodać więcej modeli uczenia maszynowego, aby lekarze mogli szybciej diagnozować pacjentów z różnymi chorobami. W przypadku każdego nowego modelu zespół ds. nauki o danych musi mieć możliwość eksperymentowania w bezpiecznym środowisku. Gdy nowy model będzie wystarczająco dokładny, aby można go było zintegrować z aplikacją internetową, należy go przetestować przed wdrożeniem go w punkcie końcowym, który będzie wywoływany z aplikacji internetowej.
Wraz z zespołem decydujesz, że najlepiej używać różnych środowisk:
- Opracowywanie eksperymentów.
- Przemieszczanie do testowania.
- Produkcja do wdrażania modelu w produkcyjnym punkcie końcowym.
Dla każdego środowiska utworzysz oddzielny obszar roboczy usługi Azure Machine Learning. Dzięki zachowaniu oddzielnych obszarów roboczych dla każdego środowiska będzie można chronić dane i zasoby. Na przykład obszar roboczy programowania nie będzie zawierać żadnych danych osobowych pacjentów. Analitycy danych będą mieć dostęp tylko do obszaru roboczego programowania, ponieważ potrzebują tylko środowiska do eksperymentowania i nie potrzebują dostępu do żadnego kodu produkcyjnego ani zasobów.
Jako inżynier uczenia maszynowego musisz mieć pewność, że niezależnie od kompilacji analityków danych będzie można łatwo przenosić je między środowiskami. Gdy nowy model będzie gotowy do wdrożenia, chcesz, aby model został wytrenowany i przetestowany w środowisku przejściowym. Po przetestowaniu kodu model i wdrożenie chcesz wdrożyć model w środowisku produkcyjnym. Części tego procesu można zautomatyzować, aby przyspieszyć proces.
Aby pracować ze środowiskami, należy wykonać następujące działania:
- Tworzenie środowisk w repozytorium GitHub.
- Przechowywanie poświadczeń do każdego obszaru roboczego usługi Azure Machine Learning jako wpisu tajnego środowiska w usłudze GitHub.
- Dodaj wymaganych recenzentów do środowisk w celu zatwierdzenia bramy.
- Użyj środowisk w przepływach pracy funkcji GitHub Actions.