Partilhar via

MLOps com o Azure Machine Learning

  • Artigo

O MLOps (operações de machine learning) baseia-se em princípios e práticas de DevOps que aumentam a eficiência do fluxo de trabalho, como integração, entrega e implementação contínuas. O MLOps aplica estes princípios ao processo de machine learning para:

  • Experimente e desenvolva modelos mais rapidamente.
  • Implementar modelos para produção mais rapidamente.
  • Pratique e refine a garantia de qualidade.

O Azure Machine Learning fornece as seguintes capacidades do MLOps:

  • Criar pipelines reproduzíveis. Os pipelines de machine learning permitem-lhe definir passos repetíveis e reutilizáveis para os seus processos de preparação, preparação e classificação de dados.
  • Crie ambientes de software reutilizáveis para preparar e implementar modelos.
  • Registe, empacote e implemente modelos a partir de qualquer lugar. Pode controlar os metadados associados necessários para utilizar o modelo.
  • Capture os dados de governação do ciclo de vida ponto a ponto. As informações registadas podem incluir quem está a publicar modelos, por que motivo foram feitas alterações e quando os modelos foram implementados ou utilizados na produção.
  • Notificar e alertar sobre eventos no ciclo de vida. Por exemplo, pode obter alertas para a conclusão da experimentação, o registo de modelos, a implementação de modelos e a deteção de desfasamento de dados.
  • Monitorize as aplicações para problemas operacionais e relacionados com machine learning. Compare entradas de modelos entre preparação e inferência, explore métricas específicas do modelo e forneça monitorização e alertas na sua infraestrutura de machine learning.
  • Automatize o ciclo de vida de machine learning ponto a ponto com o Azure Machine Learning e o Azure Pipelines. Com os pipelines, pode atualizar modelos frequentemente, testar novos modelos e implementar continuamente novos modelos de machine learning juntamente com outras aplicações e serviços.

Melhores práticas para MLOps com o Azure Machine Learning

Os modelos diferem do código porque têm um prazo de validade orgânico e deteriorar-se-ão a menos que sejam mantidos. Depois de serem implementados, podem adicionar valor empresarial real e isto torna-se mais fácil quando os cientistas de dados recebem as ferramentas para adotar práticas de engenharia padrão.

O MLOps com o Azure ajuda-o:

  • Crie modelos reproduzíveis e pipelines de preparação reutilizáveis.
  • Simplifique o empacotamento, a validação e a implementação de modelos para controlo de qualidade e teste a/B.
  • Explique e observe o comportamento do modelo e automatize o processo de nova preparação.

O MLOps melhora a qualidade e consistência das suas soluções de machine learning. Para saber mais sobre como utilizar o Azure Machine Learning para gerir o ciclo de vida dos seus modelos, veja MLOps: Gestão, implementação e monitorização de modelos com o Azure Machine Learning.

Passos seguintes

Saiba mais ao ler e explorar os seguintes recursos: