Estágio de implantação do ciclo de vida do Processo de Ciência de Dados de Equipe
Este artigo descreve as metas, as tarefas e as entregas associadas à implantação do TDSP (Processo de Ciência de Dados da Equipe). Esse processo fornece um ciclo de vida recomendado que a sua equipe pode usar para estruturar seus projetos de ciência de dados. O ciclo de vida descreve os principais estágios que sua equipe executa, geralmente de forma iterativa:
- Noções básicas sobre negócios
- Aquisição de dados e entendimento
- Modelagem
- Implantação
- Aceitação do cliente
Esta é uma representação visual do ciclo de vida do TDSP:
Meta
O objetivo do estágio de implantação é implantar modelos com um pipeline de dados em um ambiente de produção ou semelhante à produção para aceitação do cliente final.
Como concluir a tarefa
A principal tarefa nesta etapa é operacionalizar o modelo. Implante o modelo e o pipeline em um ambiente de produção ou semelhante à produção para consumo do aplicativo.
Operacionalizar um modelo
Depois que você tiver um conjunto de modelos com um bom desempenho, eles poderão ser operacionalizados pela sua equipe para o consumo de outros aplicativos. Dependendo dos requisitos de negócios, as previsões são feitas em tempo real ou em lotes. Para implantar modelos, exponha-os com uma interface de API. Com uma interface, os usuários podem consumir facilmente o modelo de vários aplicativos, tais como:
- Sites
- Planilhas
- Dashboards
- Aplicativos de linha de negócios
- Aplicativos de back-end
Para obter exemplos de operacionalização de modelos com o Azure Machine Learning, confira Implantar modelos de machine Learning no Azure. É uma prática recomendada integrar o monitoramento no modelo de produção e no pipeline de dados implantados. Essa prática ajuda com o relatório de status do sistema e a solução de problemas subsequentes.
Integração com o MLflow
Para ajudar a dar suporte a esse estágio, você pode incorporar os seguintes recursos do Azure Machine Learning:
Gerenciamento de modelos: para preparar uma implantação, coloque um modelo em um ambiente de produção ou operacional. O MLflow gerencia e controla versões de modelos prontos para implantação, o que ajuda a melhorar a operacionalização.
Fornecimento e implantação de modelo: as funcionalidades de fornecimento de modelo do MLflow facilitam o processo de implantação, para que você possa fornecer facilmente modelos em vários ambientes.
Artifacts
Nesta etapa, sua equipe entrega:
Um painel de status que exibe a integridade do sistema e as principais métricas. Recomendamos usar o Power BI para criar um painel.
Um relatório de modelagem final com detalhes da implantação.
Um documento de arquitetura da solução final.
Literatura revisada por pares
Os pesquisadores publicam estudos sobre o TDSP em literatura revisada por pares. As citações fornecem uma oportunidade para investigar outras aplicações ou ideias semelhantes ao TDSP, incluindo o estágio do ciclo de vida da implantação.
Colaboradores
Esse artigo é mantido pela Microsoft. Ele foi originalmente escrito pelos colaboradores a seguir.
Autor principal:
- Mark Tabladillo | Arquiteto de soluções de nuvem sênior
Para ver perfis não públicos do LinkedIn, entre no LinkedIn.
Recursos relacionados
Estes artigos descrevem os outros estágios do ciclo de vida do TDSP: