Dela via

MLOps med Azure Machine Learning

  • Artikel

MLOps (maskininlärningsåtgärder) baseras på DevOps-principer och -metoder som ökar arbetsflödets effektivitet, till exempel kontinuerlig integrering, leverans och distribution. MLOps tillämpar dessa principer på maskininlärningsprocessen för att:

  • Experimentera och utveckla modeller snabbare.
  • Distribuera modeller till produktion snabbare.
  • Öva och förfina kvalitetssäkringen.

Azure Machine Learning tillhandahåller följande MLOps-funktioner:

  • Skapa reproducerbara pipelines. Med maskininlärningspipelines kan du definiera repeterbara och återanvändbara steg för dina processer för förberedelse, träning och bedömning av data.
  • Skapa återanvändbara programvarumiljöer för träning och distribution av modeller.
  • Registrera, paketera och distribuera modeller var som helst. Du kan spåra de associerade metadata som krävs för att använda modellen.
  • Samla in styrningsdata för livscykeln från slutpunkt till slutpunkt. Den loggade informationen kan omfatta vem som publicerar modeller, varför ändringar har gjorts och när modeller har distribuerats eller använts i produktion.
  • Meddela och avisera om händelser i livscykeln. Du kan till exempel få aviseringar för slutförande av experiment, modellregistrering, modelldistribution och identifiering av dataavvikelser.
  • Övervaka program för drifts- och maskininlärningsrelaterade problem. Jämför modellindata mellan träning och slutsatsdragning, utforska modellspecifika mått och ge övervakning och aviseringar i maskininlärningsinfrastrukturen.
  • Automatisera livscykeln för maskininlärning från slutpunkt till slutpunkt med Azure Machine Learning och Azure Pipelines. Med pipelines kan du ofta uppdatera modeller, testa nya modeller och kontinuerligt distribuera nya maskininlärningsmodeller tillsammans med dina andra program och tjänster.

Metodtips för MLOps med Azure Machine Learning

Modeller skiljer sig från kod eftersom de har en ekologisk hållbarhet och kommer att försämras om de inte underhålls. När de har distribuerats kan de lägga till verkligt affärsvärde, och det blir enklare när dataexperter får verktyg för att införa standardmetoder för teknik.

MLOps med Azure hjälper dig:

  • Skapa reproducerbara modeller och återanvändbara träningspipelines.
  • Förenkla modellpaketering, validering och distribution för kvalitetskontroll och a/B-testning.
  • Förklara och observera modellbeteendet och automatisera omträningsprocessen.

MLOps förbättrar kvaliteten och konsekvensen i dina maskininlärningslösningar. Mer information om hur du använder Azure Machine Learning för att hantera livscykeln för dina modeller finns i MLOps: Modellhantering, distribution och övervakning med Azure Machine Learning.

Nästa steg

Läs mer genom att läsa och utforska följande resurser: