Implantação de modelo
Você pode implantar manualmente um modelo com o workspace do Azure Machine Learning. Para implantar automaticamente um modelo, você pode usar a CLI do Azure Machine Learning (v2) e GitHub Actions. Para implantar automaticamente um modelo com o GitHub Actions, você precisará:
- Empacotar e registrar o modelo.
- Criar um ponto de extremidade e implantar o modelo.
- Testar o modelo implantado.
Empacotar e registrar o modelo
Sempre que você quiser implantar um modelo com o workspace do Azure Machine Learning, você precisará salvar a saída do modelo e registrá-lo modelo no workspace. Ao registrar o modelo, especifique se você tem um MLflow ou um modelo personalizado.
Ao criar e registrar um modelo com o MLflow, você pode usar a implantação sem código.
Dica
Saiba mais sobre Como implantar modelos do MLflow.
Para registrar seu modelo no MLflow, habilite o registro automático no script de treinamento usando mlflow.autolog().
Quando você registra um modelo durante o treinamento, este modelo é armazenado na saída do trabalho. Como alternativa, você pode armazenar o modelo em um armazenamento de dados do Azure Machine Learning.
Para registrar o modelo, você pode apontar para a saída de um trabalho ou para um local em um armazenamento de dados do Azure Machine Learning.
Criar um ponto de extremidade e implantar o modelo
Para implantar o modelo em um ponto de extremidade, primeiro você cria o ponto de extremidade, depois implanta o modelo. O ponto de extremidade é um ponto de extremidade HTTPS para o qual o aplicativo Web pode enviar dados e obter uma previsão. É recomendável que o ponto de extremidade permaneça igual, até mesmo depois de implantar um modelo atualizado no mesmo ponto de extremidade. Quando o ponto de extremidade permanecer o mesmo, o aplicativo Web não precisará ser atualizado sempre que o modelo for treinado novamente.
Dica
Saiba mais sobre como implantar um modelo com a CLI do Azure Machine Learning (v2).
Testar o modelo
Por fim, é aconselhável testar o modelo implantado antes de integrar o ponto de extremidade ao aplicativo Web. Ou antes de converter todo o tráfego de um ponto de extremidade no modelo atualizado. Você pode testar manualmente um ponto de extremidade online ou automatizar o teste do ponto de extremidade com o GitHub Actions.
Observação
Você pode adicionar tarefas de teste ao mesmo fluxo de trabalho que a tarefa de implantação do modelo. No entanto, a implantação do modelo pode demorar um pouco para ser concluída. Portanto, você precisa garantir que o teste só aconteça quando a implantação do modelo for concluída com êxito.