Introdução
Os scripts são ideais quando você deseja executar cargas de trabalho de aprendizado de máquina em ambientes de produção. Imagine que você é um cientista de dados que desenvolveu um modelo de aprendizado de máquina para prever o diabetes. O modelo está funcionando 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 são coletados.
Você vai querer monitorar o desempenho do modelo ao longo do tempo. Você quer entender se os novos dados todos os meses beneficiam o modelo. Ao lado de controlar modelos treinados em blocos de anotações, você também pode usar o MLflow para controlar modelos em scripts.
O MLflow é uma plataforma de código aberto que ajuda você a rastrear métricas de modelo e artefatos entre plataformas e é integrada 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 revisar métricas e artefatos de modelo no espaço de trabalho do Azure Machine Learning para comparar execuções e decidir as próximas etapas.
Objetivos de aprendizagem
Neste módulo, você aprenderá a:
- Use MLflow ao executar um script como um trabalho.
- Analise métricas, parâmetros, artefatos e modelos de uma execução.