Поделиться через

MLOps с использованием Машинного обучения Azure

  • Статья

Методология MLOps (операции машинного обучения) основана на принципов и методиках DevOps, повышающих эффективность рабочих процессов, таких как непрерывная интеграция, доставка и развертывание. MLOps применяет эти принципы к процессу машинного обучения в следующих целях:

  • ускорение экспериментов и разработки моделей;
  • ускорение развертывания моделей в рабочей среде;
  • испытание на практике и уточнение правил контроля качества.

Машинное обучение Azure предоставляет следующие возможности MLOps:

  • Создание воспроизводимых конвейеров. Конвейеры машинного обучения позволяют определить повторяемые и многократно используемые шаги для процессов подготовки данных, обучения и оценки.
  • Создание повторно используемых программных сред для обучения и развертывания моделей.
  • Регистрация, создание пакетов и развертывание моделей из любого места. Можно отслеживать связанные метаданные, необходимые для использования модели.
  • Фиксация данных управления для комплексного жизненного цикла. Записанные в журнал данные могут включать пользователей, которые публикуют модели, причины внесения изменений и время развертывания или использования моделей в рабочей среде.
  • Уведомление и оповещение о событиях в жизненном цикле. Например, можно получать оповещения о завершении эксперимента, регистрации модели, развертывании модели и обнаружении смещения данных.
  • Мониторинг приложений для выявления операционных проблем и проблем, связанных с машинным обучением. Сравнивайте входные данные модели при обучении и выводе, изучайте метрики, зависящие от модели, и предоставляйте возможности мониторинга и оповещения в инфраструктуре машинного обучения.
  • Автоматизируйте весь жизненный цикл машинного обучения с помощью Машинного обучения Azure и Azure Pipelines. С помощью конвейеров можно часто обновлять модели, тестировать новые модели и непрерывно развертывать новые модели машинного обучения вместе с другими приложениями и службами.

Рекомендации по MLOps для Машинного обучения Azure

Модели отличаются от кода тем, что они имеют ограниченный срок годности и, если их не обслуживать, их качество снижается. После развертывания они могут обеспечить реальную ценность для бизнеса, причем это становится если проще, если у специалистов по обработке и анализу данных есть средства для внедрения стандартных методик проектирования.

MLOps с Azure помогает выполнять следующие задачи:

  • создавать воспроизводимые модели и повторно используемые конвейеры обучения;
  • упрощать упаковку, проверку и развертывание моделей для контроля качества и тестирования a/B;
  • описывать и отслеживать поведение модели, а также автоматизировать процесс повторного обучения.

MLOps улучшает качество и согласованность решений машинного обучения. Дополнительные сведения об использовании Машинного обучения Azure для управления жизненным циклом моделей см. в статье MLOps: управление моделями, развертывание и мониторинг с помощью Машинного обучения Azure.

Дальнейшие действия

Дополнительные сведения см. в следующих ресурсах: