Implementação do modelo
Você pode implantar manualmente um modelo com o espaço de trabalho do Azure Machine Learning. Para implantar automaticamente um modelo, você pode usar a CLI do Azure Machine Learning (v2) e as Ações do GitHub. Para implantar automaticamente um modelo com o GitHub Actions, você terá:
- Empacote e registre o modelo.
- Crie um ponto de extremidade e implante o modelo.
- Teste o modelo implantado.
Embalar e registar o modelo
Sempre que quiser implantar um modelo com o espaço de trabalho do Azure Machine Learning, você precisará salvar a saída do modelo e registrar o modelo no espaço de trabalho. Ao registrar o modelo, você especifica se tem um modelo MLflow ou personalizado.
Ao criar e registrar um modelo com MLflow, você pode usar a implantação sem código.
Gorjeta
Saiba mais sobre como implantar modelos MLflow.
Para registrar seu modelo com MLflow, habilite o registro automático em seu script de treinamento usando mlflow.autolog().
Quando você registra um modelo durante o treinamento do modelo, o modelo é armazenado na saída do trabalho. Como alternativa, você pode armazenar o modelo em um armazenamento de dados do Azure Machine Learning.
Para registrar o modelo, você pode apontar para a saída de um trabalho ou para um local em um armazenamento de dados do Azure Machine Learning.
Criar um ponto de extremidade e implantar o modelo
Para implantar o modelo em um ponto de extremidade, primeiro crie um ponto de extremidade e, em seguida, implante o modelo. Um ponto de extremidade é um ponto de extremidade HTTPS para o qual o aplicativo Web pode enviar dados e obter uma previsão. Você deseja que o ponto de extremidade permaneça o mesmo, mesmo depois de implantar um modelo atualizado no mesmo ponto de extremidade. Quando o ponto de extremidade permanece o mesmo, o aplicativo Web não precisará ser atualizado toda vez que o modelo for retreinado.
Gorjeta
Saiba mais sobre como implantar um modelo com a CLI do Azure Machine Learning (v2).
Testar o modelo
Por fim, convém testar o modelo implantado antes de integrar o ponto de extremidade ao aplicativo Web. Ou antes de converter todo o tráfego de um ponto de extremidade para o modelo atualizado. Você pode testar manualmente um endpoint online ou automatizar o teste do endpoint com o GitHub Actions.
Nota
Você pode adicionar uma tarefa de teste ao mesmo fluxo de trabalho que a tarefa de implantação do modelo. No entanto, a implantação do modelo pode demorar um pouco para ser concluída. Portanto, você precisa garantir que o teste só aconteça quando a implantação do modelo for concluída com êxito.