Compartilhar via

Usar o Azure Pipelines com o Azure Machine Learning

  • Artigo

Azure DevOps Services | Azure DevOps Server 2022 - Azure DevOps Server 2019

Você pode usar um pipeline do Azure DevOps para automatizar o ciclo de vida de aprendizado de máquina. Algumas das operações que você pode automatizar são:

  • Preparação de dados (operações de extrair, transformar, carregar)
  • Treinar modelos de machine learning com expansão e escala vertical sob demanda
  • Implantação de modelos de machine learning como serviços Web públicos ou privados
  • Monitoramento de modelos de machine learning implantados (como para análise de desempenho ou de descompasso de dados)

Este artigo ensinará como criar um Pipeline do Azure que cria e implanta um modelo de machine learning no Azure Machine Learning.

Este tutorial usa o SDK v2 do Python do Azure Machine Learning e a extensão de ML v2 da CLI do Azure.

Pré-requisitos

Etapa 1: obter o código

Bifurque o seguinte repositório no GitHub:

https://github.com/azure/azureml-examples

Etapa 2: entrar no Azure Pipelines

Entre no Azure Pipelines. Depois de entrar, o navegador vai para https://dev.azure.com/my-organization-name e exibe o painel do Azure DevOps.

Na organização selecionada, crie um projeto. Se você não tiver nenhum projeto em sua organização, verá uma tela Criar um projeto para começar. Caso contrário, selecione o botão Novo Projeto no canto superior direito do painel.

Etapa 3: Criar uma conexão de serviço

Você pode usar uma conexão de serviço existente.

Você precisará de uma conexão do Azure Resource Manager para autenticar junto ao portal do Azure.

  1. No Azure DevOps, selecione Configurações do Projeto e abra a página Conexões do serviço.

  2. Escolha Criar conexão de serviço e selecione Azure Resource Manager.

  3. Selecione o método de autenticação padrão, Entidade de serviço (automática).

  4. Crie sua conexão de serviço. Configure o nível de escopo, a assinatura, o grupo de recursos e o nome da conexão de sua preferência.

    Captura de tela da conexão do serviço ARM.

Etapa 4: criar um pipeline

  1. Vá para Pipelines e, em seguida, selecione criar pipeline.

  2. Percorra as etapas do assistente selecionando primeiro o GitHub como o local do código-fonte.

  3. Você pode ser redirecionado para o GitHub para então entrar. Nesse caso, insira suas credenciais do GitHub.

  4. Quando a lista de repositórios for exibida, selecione o repositório.

  5. Você poderá ser redirecionado ao GitHub para instalar o aplicativo do Azure Pipelines. Nesse caso, selecione Aprovar e instalar.

  6. Selecione Pipeline inicial. Você atualizará o modelo de pipeline inicial.

Etapa 5: Criar seu pipeline de YAML para enviar o trabalho do Azure Machine Learning

Exclua o pipeline inicial e substitua-o pelo código YAML a seguir. Nesse pipeline, você vai:

  • Usar a tarefa de versão do Python para configurar o Python 3.8 e instalar os requisitos do SDK.
  • Usar a tarefa Bash para executar scripts bash para o SDK e a CLI do Azure Machine Learning.
  • Usar a tarefa da CLI do Azure para enviar um trabalho do Azure Machine Learning.

Selecione as guias a seguir, conforme você estiver usando uma conexão de serviço do Azure Resource Manager ou uma conexão de serviço genérico. No pipeline de YAML, substitua o valor das variáveis por seus recursos.

name: submit-azure-machine-learning-job

trigger:
- none

variables:
  service-connection: 'machine-learning-connection' # replace with your service connection name
  resource-group: 'machinelearning-rg' # replace with your resource group name
  workspace: 'docs-ws' # replace with your workspace name

jobs:
- job: SubmitAzureMLJob
  displayName: Submit AzureML Job
  timeoutInMinutes: 300
  pool:
    vmImage: ubuntu-latest
  steps:
  - task: UsePythonVersion@0
    displayName: Use Python >=3.8
    inputs:
      versionSpec: '>=3.8'

  - bash: |
      set -ex

      az version
      az extension add -n ml
    displayName: 'Add AzureML Extension'

  - task: AzureCLI@2
    name: submit_azureml_job_task
    displayName: Submit AzureML Job Task
    inputs:
      azureSubscription: $(service-connection)
      workingDirectory: 'cli/jobs/pipelines-with-components/nyc_taxi_data_regression'
      scriptLocation: inlineScript
      scriptType: bash
      inlineScript: |
      
        # submit component job and get the run name
        job_name=$(az ml job create --file single-job-pipeline.yml -g $(resource-group) -w $(workspace) --query name --output tsv)

        # Set output variable for next task
        echo "##vso[task.setvariable variable=JOB_NAME;isOutput=true;]$job_name"

Etapa 6: Aguardar a conclusão do trabalho do Azure Machine Learning

Na Etapa 5, você criou um pipeline para enviar um trabalho do Azure Machine Learning. Nessa etapa, você adiciona um outro trabalho que aguarda a conclusão do trabalho do Azure Machine Learning.

Se estiver usando uma conexão de serviço do Azure Resource Manager, você poderá usar a extensão "Machine Learning". Você pode pesquisar essa extensão no Marketplace de extensões do Azure DevOps ou ir diretamente para a extensão. Instalar a extensão "Machine Learning".

Importante

Não instale a extensão Machine Learning (clássica) por engano; trata-se de uma extensão mais antiga que não fornece a mesma funcionalidade.

Na janela de revisão do Pipeline, adicione um Trabalho de Servidor. Na parte das etapas do trabalho, selecione Mostrar assistente e procure AzureML. Selecione a tarefa Espera do Trabalho do AzureML e preencha as informações do trabalho.

A tarefa tem quatro entradas: Service Connection, Azure Resource Group Name, AzureML Workspace Name e AzureML Job Name. Preencha essas entradas. O YAML resultante para essas etapas é semelhante ao exemplo a seguir:

Observação

  • A tarefa de espera do trabalho do Azure Machine Learning é executada em um trabalho de servidor, que não usa recursos caros do pool de agentes e não requer nenhuma cobrança adicional. Os trabalhos de servidor (indicados por pool: server) são executados no mesmo computador que o seu pipeline. Para obter mais informações, confira Trabalhos de servidor.
  • Uma tarefa de espera de trabalho do Azure Machine Learning pode aguardar apenas um trabalho. Você precisará configurar uma tarefa separada para cada trabalho que quiser aguardar.
  • A tarefa de espera do trabalho do Azure Machine Learning pode aguardar por um máximo de 2 dias. Esse é um limite rígido definido pelos Pipelines do Azure DevOps.
- job: WaitForAzureMLJobCompletion
  displayName: Wait for AzureML Job Completion
  pool: server
  timeoutInMinutes: 0
  dependsOn: SubmitAzureMLJob
  variables: 
    # We are saving the name of azureMl job submitted in previous step to a variable and it will be used as an inut to the AzureML Job Wait task
    azureml_job_name_from_submit_job: $[ dependencies.SubmitAzureMLJob.outputs['submit_azureml_job_task.JOB_NAME'] ] 
  steps:
  - task: AzureMLJobWaitTask@1
    inputs:
      serviceConnection: $(service-connection)
      resourceGroupName: $(resource-group)
      azureMLWorkspaceName: $(workspace)
      azureMLJobName: $(azureml_job_name_from_submit_job)

Etapa 7: Enviar o pipeline e verificar a execução do pipeline

Selecione Salvar e executar. O pipeline irá aguardar a conclusão do trabalho do Azure Machine Learning e encerrar a tarefa incluída em WaitForJobCompletion com o mesmo status do trabalho do Azure Machine Learning. Por exemplo: trabalho do Azure Machine Learning Succeeded == Tarefa do Azure DevOps incluída no trabalho WaitForJobCompletionSucceeded Trabalho do Azure Machine Learning Failed == Tarefa do Azure DevOps incluída no trabalho WaitForJobCompletionFailed Trabalho do Azure Machine Learning Cancelled == Tarefa do Azure DevOps incluída no trabalho WaitForJobCompletionCancelled

Dica

Você pode ver o trabalho completo do Azure Machine Learning no Estúdio do Azure Machine Learning.

Limpar recursos

Se você não quiser continuar a usar seu pipeline, exclua seu projeto do Azure DevOps. No portal do Azure, exclua seu grupo de recursos e a instância do Azure Machine Learning.