探索解决方案体系结构

已完成

在继续实现之前，请务必了解整体情况，以确保满足所有要求。 我们还希望确保该方法在未来很容易进行调整。 本练习的重点是开始将 GitHub Actions 用作解决方案体系结构中定义的机器学习操作 (MLOps) 策略的业务流程和自动化工具。

注意

此图是 MLOps 体系结构的简化表示形式。 若要查看更详细的体系结构，请浏览 MLOps (v2) 解决方案加速器中的各种用例。

体系结构包括：

1. 设置：为解决方案创建所有必需的 Azure 资源。
2. 模型开发（内部循环）：浏览并处理数据来训练和评估模型。
3. 持续集成：打包并注册模型。
4. 模型部署（外部循环）：部署模型。
5. 持续部署：测试模型并提升到生产环境。
6. 监视：监视模型和终结点性能。

具体而言，我们将自动执行模型开发的训练部分或内部循环，最终使我们能够快速训练和注册多个可部署到暂存和生产环境的模型。

基础结构团队已为你创建 Azure 机器学习工作区、Azure 机器学习计算和 GitHub 存储库。

此外，用于训练分类模型的代码可以用于生产，训练模型所需的数据可通过连接到 Azure 机器学习工作区的 Azure Blob 存储获取。

你的实现将使从内部循环到外部循环的移动成为一个自动化过程，每当数据科学家将新的模型代码推送到 GitHub 存储库时就会发生，从而使机器学习模型能够持续交付给模型的下游消费者，例如将使用糖尿病分类模型的 web 应用程序。