重新定型的設計
在機器學習作業 (MLOps) 解決方案中準備模型以供生產環境使用時，您需要針對重新定型進行設計。
一般而言，當您想要重新定型模型時，可採取下列兩種方法：
- 根據排程：如果您確定一律需要最新版本的模型，可以根據排程每週或每個月重新定型模型。
- 根據計量：如果您只想要在必要時重新定型模型，可以監視模型的效能和資料漂移，決定何時需要重新定型模型。
不論是哪一種情況，您都需要針對重新定型進行設計。 若要輕鬆地重新定型模型，您應該針對自動化來準備程式碼。
準備程式碼
在理想情況下，您應該使用指令碼，而非筆記本來定型模型。 指令碼更適合自動化。 您可以將參數新增至指令碼，並變更輸入參數，例如定型資料或超參數值。 將指令碼參數化時，您可以視需要輕鬆依據新資料來重新定型模型。
準備程式碼的另一項重點是將程式碼裝載於中央存放庫中。 存放庫是指可儲存專案所有相關檔案的位置。 使用機器學習專案時，Git 型存放庫很適合用來確保原始檔控制。
將原始檔控制套用至專案時，您可以輕鬆地在專案上共同作業。 您可以透過更新程式碼，指派其他人來改善模型。 您可以查看過去的所有變更，並先檢閱這些變更，再將其認可至主要存放庫。
自動化程式碼
當您想要自動執行程式碼時，可以設定 Azure Machine Learning 作業來執行程式碼。 在 Azure Machine Learning 中，您也可以建立和排程管線來執行指令碼。
如果您想要根據觸發程式或 Azure Machine Learning 外部發生的事件來執行指令碼，建議您透過其他工具觸發 Azure Machine Learning 作業。
MLOps 專案中常用的兩個工具是 Azure DevOps 和 GitHub (Actions)。 這兩個工具都可讓您建立自動化管線，並可觸發 Azure Machine Learning 管線。
資料科學家可能偏好使用 Azure Machine Learning Python SDK。 不過，使用 Azure DevOps 和 GitHub 之類的工具時，建議您改用 Azure Machine Learning CLI 延伸模組來設定必要的資源和作業。 Azure CLI 是專為自動化工作而設計，因此可能更易於搭配 Azure DevOps 和 GitHub 使用。
提示
如果您想要深入了解 MLOps，請探索機器學習作業簡介 (MLOps)，或嘗試使用 GitHub Actions 建置您的第一個 MLOps 自動化管線