Introdução

Concluído

Há um aumento nos projetos de aprendizado de máquina entre organizações devido à maior disponibilidade de dados, à democratização do poder de computação e aos avanços nos algoritmos usados para treinar modelos.

No entanto, um dos principais obstáculos ao adotar e dimensionar projetos de aprendizado de máquina é a falta de uma estratégia clara e silos organizacionais.

MLOps

As operações de aprendizado de máquina ou MLOps visam fazer o dimensionamento com mais eficiência de uma prova de conceito ou projeto piloto para uma carga de trabalho de aprendizado de máquina em produção.

A implementação do MLOps ajuda você a tornar suas cargas de trabalho de machine learning robustas e reproduzíveis. Por exemplo, você poderá monitorar, treinar novamente e reimplantar um modelo sempre que necessário, mantendo sempre um modelo em produção.

A finalidade do MLOps é tornar o ciclo de vida do aprendizado de máquina escalonável:

1. Treinar um modelo
2. Empacotar modelo
3. Validar modelo
4. Implantar modelo
5. Monitorar modelo
6. Treinar novamente o modelo

O MLOps requer várias funções e ferramentas. Os cientistas de dados geralmente se concentram em todas as tarefas relacionadas ao treinamento do modelo, também conhecidas como loop interno.

Para empacotar e implantar o modelo, os cientistas de dados podem precisar da ajuda de engenheiros de aprendizado de máquina que aplicam práticas de DevOps para dimensionar os modelos de aprendizado de máquina.

O uso de um modelo treinado e a implantação dele na produção é um processo geralmente chamado de loop externo. No loop externo, o modelo é empacotado, validado, implantado e monitorado. Quando você decide que o modelo precisa ser treinado novamente, você volta para o loop interno para fazer alterações no modelo.

DevOps

Usar os princípios do DevOps como o planejamento ágil ajudará sua equipe a organizar o trabalho e a produzir entregas mais rápidas. Com o controle do código-fonte, você pode facilitar a colaboração em projetos. E com a automação você pode acelerar o ciclo de vida do aprendizado de máquina.

Este módulo apresentará esses princípios de DevOps e destacará duas ferramentas comumente usadas: Azure DevOps e GitHub.

Objetivos de aprendizagem

Neste módulo, você aprenderá:

• Por que o DevOps é útil para projetos de aprendizado de máquina?
• Quais princípios do DevOps podem ser aplicados a projetos de aprendizado de máquina?
• Como conectar o Azure DevOps e o GitHub com o Azure Machine Learning.