Introdução
Os scripts são ideais quando você deseja executar cargas de trabalho de machine learning em ambientes de produção. Imagine que você é um cientista de dados que desenvolveu um modelo de aprendizado de máquina para prever diabetes. O modelo está sendo executado conforme o esperado e você criou um script de treinamento. O script é usado para treinar novamente o modelo todos os meses quando novos dados forem coletados.
Você desejará monitorar o desempenho do modelo ao longo do tempo. Você deseja entender se os novos dados todos os meses beneficiam o modelo. Ao lado de modelos de acompanhamento treinados em notebooks, você também pode usar o MLflow para acompanhar modelos em scripts.
O MLflow é uma plataforma de software livre que ajuda você a acompanhar métricas e artefatos de modelo entre plataformas e é integrado ao Azure Machine Learning.
Ao usar o MLflow junto com o Azure Machine Learning, você pode executar scripts de treinamento localmente ou na nuvem. Você pode examinar métricas e artefatos de modelo no workspace do Azure Machine Learning para comparar execuções e decidir sobre as próximas etapas.
Objetivos de aprendizagem
Neste módulo, você saberá como:
- Use o MLflow ao executar um script como um trabalho.
- Examine métricas, parâmetros, artefatos e modelos de uma execução.