Utforska lösningsarkitekturen
Det är viktigt att förstå helhetsbilden innan du går vidare med implementeringen för att säkerställa att alla krav uppfylls. Vi vill också se till att metoden är lätt att anpassa i framtiden. Fokus för den här övningen är att börja använda GitHub Actions som orkestrerings- och automatiseringsverktyg för mlops-strategin (machine learning operations) som definierats i lösningsarkitekturen.
Kommentar
Diagrammet är en förenklad representation av en MLOps-arkitektur. Om du vill visa en mer detaljerad arkitektur kan du utforska de olika användningsfallen i lösningsacceleratorn MLOps (v2).
Arkitekturen innehåller:
- Installation: Skapa alla nödvändiga Azure-resurser för lösningen.
- Modellutveckling (inre loop): Utforska och bearbeta data för att träna och utvärdera modellen.
- Kontinuerlig integrering: Paketera och registrera modellen.
- Modelldistribution (yttre loop): Distribuera modellen.
- Kontinuerlig distribution: Testa modellen och flytta upp till produktionsmiljön.
- Övervakning: Övervaka modell- och slutpunktsprestanda.
Mer specifikt kommer vi att automatisera träningsdelen av modellutvecklingen, eller den inre loopen, vilket i slutändan gör att vi snabbt kan träna och registrera flera modeller för distribution till mellanlagrings- och produktionsmiljöer.
Azure Machine Learning-arbetsytan, Azure Machine Learning-beräkning och GitHub-lagringsplatsen har skapats åt dig av infrastrukturteamet.
Dessutom är koden för att träna klassificeringsmodellen produktionsklar och de data som behövs för att träna modellen är tillgängliga i en Azure Blob Storage som är ansluten till Azure Machine Learning-arbetsytan.
Implementeringen gör det möjligt att flytta från inre till yttre loop till en automatiserad process som sker när en dataexpert skickar ny modellkod till GitHub-lagringsplatsen, vilket möjliggör kontinuerlig leverans av maskininlärningsmodeller till underordnade användare av modellen, som webbprogrammet som använder diabetesklassificeringsmodellen.