使用 Azure Machine Learning 的 MLOps
MLOps (機器學習作業) 以 DevOps 準則和做法為基礎，可提高工作流程的效率，例如持續整合、傳遞和部署。 MLOps 會將這些準則套用至機器學習流程，以：
- 更快速地進行實驗並開發模型。
- 更快速地將模型部署至生產環境。
- 做法並精簡品質保證。
Azure Machine Learning 提供下列 MLOps 功能：
- 建立可重現的管道。 機器學習管道可讓您針對資料準備、定型和評分程序，定義可重複且可重複使用的步驟。
- 建立可重複使用的軟體環境，以定型和部署模型。
- 隨處註冊、封裝和部署模型。 您可以追蹤使用模型所需的相關中繼資料。
- 擷取端對端生命週期的治理資料。 記錄的資訊可能包括正在發佈模型的人員、進行變更的原因，以及在生產環境中部署或使用模型的時間。
- 通知並警示生命週期中的事件。 例如，您可以針對實驗完成、模型註冊、模型部署和資料漂移偵測收到警示。
- 監視應用程式，以瞭解操作與機器學習相關的問題。 比較定型和推斷之間的模型輸入、探索模型特定的計量，並在機器學習基礎結構上提供監視和警示。
- 使用 Azure Machine Learning 和 Azure Pipelines，將端對端機器學習生命週期自動化。 使用管道可讓您頻繁地更新模型、測試新模型，以及隨著其他應用程式和服務持續推出新的機器學習模型。
MLOps 搭配 Azure Machine Learning 的最佳做法
模型與程式碼不同，因為具有有機的生命週期，且不進行維護便會衰退。 部署完成後，他們可以加入真正的商業價值，且當資料科學家提供採用標準工程做法的工具時，這會變得更容易。
MLOps 搭配 Azure 可協助您：
- 建立可重現的模型以及可重複使用的訓練管道。
- 簡化品質控制和 A/B 測試的模型封裝、驗證和部署。
- 說明並觀察模型行為，並自動化重新定型流程。
MLOps 改進了機器學習解決方案的品質與一致性。 若要深入瞭解如何使用 Azure Machine Learning 來管理模型的生命週期，請參閱 MLOps：使用 Azure Machine Learning 進行模型管理、部署和監視。
後續步驟
若要深入了解，請閱讀及探索下列資源：