Изучение стратегий развертывания модели
После обучения модели следующий шаг — развертывание. Для эффективного развертывания модели необходимо использовать MLflow.
MLflow помогает управлять всем процессом, от параметров ведения журнала и метрик до упаковки и совместного использования модели.
Кроме того, необходимо рассмотреть способ развертывания модели. Вы можете выбрать прогнозирование в режиме реального времени с помощью службы модели ИИ Мозаики или пакетного прогнозирования с заданиями Azure Databricks. Кроме того, вы можете интегрироваться с Машинное обучение Azure и использовать встроенные возможности для развертывания модели в режиме реального времени или пакетной конечной точки.
Независимо от выбранного подхода развертывание модели гарантирует, что ваша модель готова к рабочей среде и может предоставлять необходимые аналитические сведения.
Использование MLflow для управления моделями
Azure Databricks работает с MLflow. MLflow — это платформа с открытым кодом для управления всем жизненным циклом машинного обучения.
С помощью MLflow можно отслеживать эксперименты, код пакета и совместно использовать модели и развертывать их. MLflow гарантирует, что модели постоянно управляются от разработки до рабочей среды.
Сервер отслеживания MLflow позволяет записывать параметры, метрики и артефакты MLflow. Возможности отслеживания MLflow предоставляют исчерпывающую запись производительности модели и помогают с воспроизводимостью.
Совет
Узнайте больше о том, как регистрировать, загружать, регистрировать и развертывать модели MLflow.
Развертывание моделей с помощью Databricks
Развертывание моделей с помощью Azure Databricks включает использование Службы модели ИИ для мозаики для создания API-интерфейсов производственного класса из пользовательских моделей Python.
Пользовательские модели Python — это модели, которые вы обучаете с помощью библиотек, таких как scikit-learn, XGBoost, PyTorch и преобразователи HuggingFace.
После обучения вы регистрируете обученную модель в формате MLflow и регистрируете ресурсы MLflow в каталоге Unity или реестре рабочих областей.
После регистрации вы можете создавать и запрашивать конечные точки, обеспечивая готовность моделей к прогнозированию в режиме реального времени, интегрируя конечную точку в решения.
Совет
Узнайте больше о том, как развертывать и запрашивать пользовательскую модель.
Создание пакетных прогнозов
В случаях использования, когда прогнозы в режиме реального времени не нужны, пакетное определение может быть более эффективной стратегией развертывания. Пакетные прогнозы часто используются в таких сценариях, как создание периодических отчетов или обновление хранилищ данных с помощью новых аналитических сведений.
Azure Databricks может параллельно обрабатывать большие наборы данных с помощью Apache Spark, что хорошо подходит для задач пакетного вывода.
При запуске задания Azure Databricks модель может применяться к большим объемам данных в запланированном режиме. Вы можете создавать пакетные прогнозы или аналитические сведения, которые могут храниться и получать доступ по мере необходимости.
Совет
Узнайте больше о том, как развертывать модели для пакетного вывода и прогнозирования.
Интеграция с Машинным обучением Azure
Azure Databricks интегрируется с Машинное обучение Azure, что позволяет развертывать модели в конечных точках в рабочей области Машинное обучение Azure.
Azure Databricks и Машинное обучение Azure работают с MLflow для управления моделями. Вы можете обучить модель в Azure Databricks и сохранить ее в виде модели MLflow. Затем можно зарегистрировать модель MLflow в рабочей области Машинное обучение Azure, после чего можно легко развернуть модель в пакетной или в режиме реального времени конечной точки.
Совет
Дополнительные сведения о Машинное обучение Azure конечных точках для вывода в рабочей среде.