探索解決方案架構

已完成

為了規劃擴大規模與自動化，您已與數個專案關係人合作，以決定機器學習作業 (MLOps) 架構。

注意

此圖表簡單呈現了 MLOps 架構。 若要檢視更詳細的架構，請於 MLOps (v2) 解決方案加速器中探索各種使用案例。

架構包含：

1. 設定：為解決方案建立所有必要的 Azure 資源。
2. 模型開發 (內部迴圈)：探索與處理資料來訓練與評估模型。
3. 持續整合：封裝並註冊模型。
4. 模型部署 (外部迴圈)：部署模型。
5. 持續部署：測試模型並升階至實際執行環境。
6. 監視：監視模型與端點效能。

最重要的是，目前的挑戰是將模型從開發邁向部署。 在這兩個迴圈之間的步驟是封裝與註冊模型。 資料科學小組定型模型後，就必須封裝模型，並在 Azure Machine Learning 工作區中註冊模型。 註冊模型後，即可部署模型。

封裝模型有數種方法。 在檢閱如使用序列化檔案等選項後，您已決定與資料科學小組合作使用 MLflow。 若您將模型註冊為 MLflow 模型，即可在 Azure Machine Learning 工作區中選擇無程式碼部署。 當您使用無程式碼部署時，不需要建立評分指令碼與環境，始可進行部署。

當您想要部署模型時，您可以選擇在線上端點進行即時預測，或是在批次端點進行批次預測。 由於模型會與 Web 應用程式整合，而該 Web 應用程式會讓醫生輸入醫療資料並預計可取得直接回應，因此您可以選擇將該模型部署至線上端點。

您可以在 Azure Machine Learning 工作區中手動部署模型。 然而，您預計未來將部署更多模型。 而且您想要在重新訓練模型時，可以輕鬆重新部署糖尿病分類模型。 因此，您希望盡可能將模型部署自動化。

注意

雖然自動化是 MLOps 的重要層面，但維護人機互動關係至關重要。 在自動部署模型前，最好先驗證模型。