Eksplorowanie architektury rozwiązania

  • 3 min

Przyjrzyjmy się architekturze, na której podjęto decyzję o przepływie pracy operacji uczenia maszynowego (MLOps), aby zrozumieć, gdzie i kiedy należy zweryfikować kod.

Diagram architektury operacji uczenia maszynowego.

Uwaga

Diagram jest uproszczoną reprezentacją architektury MLOps. Aby wyświetlić bardziej szczegółową architekturę, zapoznaj się z różnymi przypadkami użycia w akceleratorze rozwiązań MLOps (v2).

Głównym celem architektury MLOps jest utworzenie niezawodnego i powtarzalnego rozwiązania. Aby osiągnąć ten cel, architektura obejmuje następujące elementy:

  1. Konfiguracja: utwórz wszystkie niezbędne zasoby platformy Azure dla rozwiązania.
  2. Programowanie modelu (pętla wewnętrzna): Eksplorowanie i przetwarzanie danych w celu trenowania i oceniania modelu.
  3. Ciągła integracja: pakowanie i rejestrowanie modelu.
  4. Wdrażanie modelu (pętla zewnętrzna): wdrażanie modelu.
  5. Ciągłe wdrażanie: przetestuj model i podwyższ poziom do środowiska produkcyjnego.
  6. Monitorowanie: Monitorowanie wydajności modelu i punktu końcowego.

Aby przenieść model z programowania do wdrożenia, potrzebujesz ciągłej integracji. Podczas ciągłej integracji utworzysz pakiet i zarejestrujesz model. Zanim jednak spakujesz model, musisz zweryfikować kod używany do trenowania modelu.

Wraz z zespołem ds. nauki o danych uzgodniono korzystanie z programowania opartego na magistrali. Nie tylko będzie chronić kod produkcyjny, ale także automatycznie weryfikować proponowane zmiany przed scaleniem go z kodem produkcyjnym.

Przyjrzyjmy się przepływowi pracy analityka danych:

Diagram tworzenia aplikacji opartych na magistrali, w tym automatycznej weryfikacji kodu podczas tworzenia żądania ściągnięcia.

  1. Kod produkcyjny jest hostowany w gałęzi głównej.
  2. Analityk danych tworzy gałąź cech na potrzeby tworzenia modeli.
  3. Analityk danych tworzy żądanie ściągnięcia, aby zaproponować wypychanie zmian do gałęzi głównej.
  4. Po utworzeniu żądania ściągnięcia zostanie wyzwolony przepływ pracy funkcji GitHub Actions w celu zweryfikowania kodu.
  5. Gdy kod przejdzie testy lintingu i jednostkowe, główny analityk danych musi zatwierdzić proponowane zmiany.
  6. Po zatwierdzeniu zmian przez głównego analityka danych żądanie ściągnięcia zostanie scalone, a gałąź główna zostanie odpowiednio zaktualizowana.

Jako inżynier uczenia maszynowego musisz utworzyć przepływ pracy funkcji GitHub Actions, który weryfikuje kod, uruchamiając linter i testy jednostkowe przy każdym utworzeniu żądania ściągnięcia.

Napiwek

Dowiedz się więcej o sposobie pracy z kontrolą źródła dla projektów uczenia maszynowego, w tym programowanie oparte na magistrali i weryfikowanie kodu lokalnie.