Configurar ambientes

Concluído

Para implementar ambientes ao trabalhar com modelos de machine learning, você pode usar uma plataforma como o GitHub. Para automatizar tarefas que precisam ser executadas em ambientes separados, você precisará:

• Configurar os ambientes do GitHub.
• Usar os ambientes do GitHub Actions.
• Adicione aprovações para atribuir revisores necessários.

Configurar ambientes no GitHub

Para criar um ambiente dentro do seu repositório do GitHub:

1. Vá para a guia Configurações no repositório.
2. Selecione Ambientes.
3. Crie um Novo ambiente.
4. Insira um nome.
5. Selecione Configurar ambiente.

Para associar um ambiente a um workspace do Azure Machine Learning específico, você pode criar um segredo de ambiente para fornecer apenas a ele acesso a um workspace do Azure Machine Learning.

Observação

Para dar ao GitHub acesso a qualquer workspace do Azure Machine Learning, você precisa criar uma entidade de serviço no Azure. Em seguida, você precisa fornecer à entidade de serviço acesso ao workspace do Azure Machine Learning no Azure. Saiba como integrar o Azure Machine Learning a ferramentas de DevOps, como o GitHub.

Você pode criar um segredo no repositório para armazenar as credenciais da entidade de serviço. Ao trabalhar com ambientes, você desejará criar um segredo de ambiente para definir qual ambiente específico do GitHub deve ter acesso ao workspace do Azure Machine Learning.

Para criar um segredo de ambiente, acesse a guia Ambientes em Configurações.

1. Vá para seu novo ambiente.
2. Navegue até a seção Segredos do Ambiente.

3. Adicione um novo segredo.
4. Insira AZURE_CREDENTIALS como nome.
5. Insira as credenciais da entidade de serviço no campo valor.

Usar ambientes do GitHub Actions e adicionar aprovações

Depois de criar ambientes no repositório do GitHub, você pode consultar o ambiente por meio dos seus fluxos de trabalho do GitHub Actions. Sempre que quiser adicionar uma verificação manual entre ambientes, você poderá adicionar aprovações.

Por exemplo, sempre que você dispara um trabalho do Azure Machine Learning em seu fluxo de trabalho do GitHub Actions, a tarefa pode ser executada com êxito no fluxo de trabalho. No entanto, pode ser que, durante o treinamento de modelo no workspace do Azure Machine Learning, haja uma falha devido a um problema com o script de treinamento. Ou após o treinamento do modelo, ao avaliar as métricas correspondentes, você poderá decidir que precisa treinar novamente o modelo em vez de implantá-lo.

Para dar a você a oportunidade de examinar a saída do treinamento de modelo no workspace do Azure Machine Learning, você pode adicionar uma aprovação para um ambiente. Sempre que um fluxo de trabalho do GitHub Actions quiser executar uma tarefa em um ambiente específico, os revisores necessários serão notificados e precisarão aprovar as tarefas antes que elas sejam executadas.

Dica

Saiba mais sobre como usar ambientes do GitHub Actions e como adicionar aprovações.