Изучение архитектуры решения

  • 4 мин

Прежде чем продолжить реализацию, важно понимать общую картину, чтобы обеспечить соблюдение всех требований. Мы также хотим обеспечить возможность адаптации методики в будущем. В этом упражнении основное внимание уделяется тому, как начать использование GitHub Actions как средство оркестрации и автоматизации для стратегии операций машинного обучения (MLOps), определенной в архитектуре решения.

Схема архитектуры операций машинного обучения.

Примечание.

На схеме демонстрируется упрощенное представление архитектуры MLOps. Чтобы просмотреть архитектуру более подробно, изучите различные варианты использования в акселераторе решений MLOps (версии 2).

Компоненты архитектуры:

  1. Настройка: создание всех необходимых ресурсов Azure для решения.
  2. Разработка моделей (внутренний цикл): изучение и обработка данных для обучения и оценки модели.
  3. Непрерывная интеграция: упаковка и регистрация модели.
  4. Развертывание модели (внешний цикл): развертывание модели.
  5. Непрерывное развертывание: тестирование модели и перенос в рабочую среду.
  6. Мониторинг: мониторинг производительности модели и конечной точки.

В частности, мы собираемся автоматизировать процессы при разработке модели или внутренний цикл, что в конечном итоге позволит нам быстро обучать и регистрировать несколько моделей для развертывания в промежуточных и рабочих средах.

Рабочая область Машинного обучения Azure, вычислительная среда Машинного обучения Azure и репозиторий GitHub были созданы специалистами по инфраструктуре.

Кроме того, код для обучения модели классификации готов к развертыванию в рабочей среде, и данные, необходимые для обучения модели, доступны в хранилище BLOB-объектов Azure, которое подключено к рабочей области Машинного обучения Azure.

Ваша реализация обеспечит переход от внутреннего к внешнему циклу в рамках автоматического процесса, который выполняется каждый раз, когда специалист по обработке и анализу данных отправляет новый код модели в репозиторий GitHub, обеспечивая непрерывную доставку моделей машинного обучения потребителям модели ниже по потоку, таким как, например, веб-приложение, которое будет использовать модель классификации диабета.