Introdução
Imagine que você é um engenheiro de machine learning, encarregado de usar um modelo do desenvolvimento para a produção. Para treinar, testar e implantar um modelo de machine learning, é melhor usar ambientes como parte da sua estratégia de MLOps (operações de machine learning).
Depois que um cientista de dados tiver treinado e testado o modelo, você deve implantar, testar a implantação e, por fim, implantar o modelo em produção, onde ele será consumido em grande escala. De acordo com as práticas de desenvolvimento de software, essas tarefas devem ser executadas em ambientes diferentes. Usando ambientes como um ambiente de desenvolvimento, preparo e produção, você pode separar o fluxo de trabalho do MLOps.
Para criar ambientes diferentes, você pode criar diferentes workspaces do Azure Machine Learning que estão vinculados a ambientes separados do GitHub. Usando GitHub Actions, você pode automatizar fluxos de trabalho entre ambientes, adicionando aprovações restritas a fim de mitigar riscos.
Objetivos de aprendizagem
Neste módulo, você aprenderá a:
- Configurar ambientes no GitHub.
- Usar ambientes do GitHub Actions.
- Adicione aprovações para atribuir revisores necessários antes de mover o modelo para o próximo ambiente.