Introduktion
Anta att du är maskininlärningstekniker och arbetar tillsammans med ett datavetenskapsteam på en modell för diabetesklassificering. Arbetsflödet som skapats av data science-teamet förbearbetar data och tränar modellen. Du vill köra arbetsflödet automatiskt. Genom att göra det aktiverar du automatiserad träning (och omträning) av klassificeringsmodellen i olika miljöer som drivs av olika händelser.
Automatisering är en viktig del i maskininlärningsåtgärder (MLOps). På samma sätt som DevOps möjliggör MLOps snabb utveckling och leverans av maskininlärningsartefakter till konsumenter av dessa artefakter. En effektiv MLOps-strategi gör det möjligt att skapa automatiserade arbetsflöden för att träna, testa och distribuera maskininlärningsmodeller samtidigt som modellkvaliteten bibehålls.
Med GitHub Actions kör du automatiskt ett Azure Machine Learning-jobb för att träna en modell. Om du vill köra dina Azure Machine Learning-jobb med GitHub Actions sparar du dina Azure-autentiseringsuppgifter som en hemlighet i GitHub. Sedan definierar du GitHub-åtgärden med YAML.
Utbildningsmål
I den här modulen kommer du att:
- Skapa och tilldela tjänstens huvudnamn de behörigheter som krävs för att köra ett Azure Machine Learning-jobb.
- Lagra Azure-autentiseringsuppgifter på ett säkert sätt med hjälp av hemligheter i GitHub.
- Skapa en GitHub-åtgärd med YAML som använder lagrade Azure-autentiseringsuppgifter för att köra ett Azure Machine Learning-jobb.