簡介
由於有更多資料可供使用、計算能力大眾化，以及用來定型模型的演算法進展，因此整個組織的機器學習專案會增加。
不過，採用和調整機器學習專案時，其中一個主要障礙是缺乏明確的策略和組織定址接收器。
MLOps
機器學習作業 或 MLOps 的目標是更有效率地從概念證明或試驗專案調整為生產環境的機器學習工作負載。
實作 MLOps 可協助您讓機器學習工作負載保持健全且可重現。 例如，您可以視需要監視、重新定型和重新部署模型，同時一律將模型保留在生產環境中。
MLOps 的目的是讓機器學習生命週期可調整：
- 定型模型
- 封裝模型
- 驗證模型
- 部署模型
- 監視模型
- 重新定型模型
MLOps 需要多個角色和多個工具。 資料科學家通常會專注於與定型模型相關的所有工作，也稱為內部迴圈。
為了封裝和部署模型，資料科學家可能需要機器學習工程師的協助，這些工程師會套用 DevOps 做法來調整機器學習模型。
採用定型的模型並將其部署到生產環境通常稱為外部迴圈。 在外部迴圈中，模型會進行封裝、驗證、部署及監視。 當您決定需要重新定型模型時，您會回到內部迴圈，以變更模型。
DevOps
使用敏捷式規劃等 DevOps 準則可協助小組組織工作，並且更快速地產生交付項目。 使用原始檔控制，您可以促進專案的共同作業。 透過自動化，您可以加速機器學習生命週期。
本課程模組將為您介紹這些 DevOps 準則，並強調常用的兩個工具：Azure DevOps 和 GitHub。
學習目標
在此課程模組中，您將會了解：
- 為什麼 DevOps 有助於機器學習專案。
- 哪些 DevOps 原則可以套用至機器學習專案。
- 如何使用 Azure Machine Learning 連線 Azure DevOps 與 GitHub。