Этап развертывания в жизненном цикле командного процесса обработки и анализа данных
В этой статье описаны цели, задачи и конечные результаты, связанные с этапом развертывания процесса обработки и анализа данных группы (TDSP). Этот процесс предоставляет рекомендуемый жизненный цикл, который ваша команда может использовать для структуры проектов обработки и анализа данных. Жизненный цикл описывает основные этапы, которые выполняет ваша команда, часто итеративно:
- Коммерческий аспект.
- Получение и анализ данных.
- Моделирование
- Развертывание
- Прием клиентом.
Ниже приведено визуальное представление жизненного цикла TDSP:
Goal
Цель этапа развертывания — развернуть модели с конвейером данных в рабочей или рабочей среде для окончательного принятия клиентом.
Как выполнить задачу
Основной задачей этого этапа является эксплуатация модели. Разверните модель и конвейер в рабочую или близкую к ней среду, чтобы приложения могли к ней обращаться.
Ввод модели в эксплуатацию
После того как у вас есть набор моделей, которые хорошо работают, ваша команда может использовать их для других приложений. В зависимости от бизнес-требований прогнозы выполняются в режиме реального времени или в пакетном режиме. Для развертывания моделей вы предоставляете их с помощью интерфейса API. С помощью интерфейса пользователи могут легко использовать модель из различных приложений, например:
- Веб-сайты
- Электронные таблицы
- Панели мониторинга
- Бизнес-приложения
- серверные приложения.
Примеры ввода моделей в эксплуатацию с помощью Машинного обучения Azure см. в статье Развертывание моделей машинного обучения в Azure. Рекомендуется создать мониторинг в рабочей модели и развернутом конвейере данных. Это позволит получать отчеты о состоянии системы и устранять неполадки.
Интеграция с MLflow
Для поддержки этого этапа можно включить следующие Машинное обучение Azure функции:
Управление моделями: для подготовки развертывания модель помещается в рабочую или операционную среду. MLflow управляет и версиями готовых к развертыванию моделей, что помогает улучшить эксплуатацию.
Обслуживание и развертывание моделей: функции обслуживания модели MLflow упрощают процесс развертывания, поэтому вы можете легко обслуживать модели в различных средах.
Artifacts
На этом этапе ваша команда предоставляет следующее:
Панель мониторинга состояния, отображающая метрики работоспособности системы и ключевые метрики. Мы рекомендуем использовать Power BI для создания панели мониторинга.
Окончательный отчет по моделированию с подробными сведениями о развертывании.
Окончательный документ архитектуры решения.
Одноранговая литература
Исследователи публикуют исследования о TDSP в одноранговой литературе. Ссылки предоставляют возможность исследовать другие приложения или аналогичные идеи TDSP, включая этап жизненного цикла развертывания.
Соавторы
Эта статья поддерживается корпорацией Майкрософт. Первоначально он был написан следующими участниками.
Автор субъекта:
- Марк Табладильо | Старший архитектор облачных решений
Чтобы просмотреть недоступные профили LinkedIn, войдите в LinkedIn.
Связанные ресурсы
В этих статьях описаны другие этапы жизненного цикла TDSP: