探索解決方案架構

已完成

一起來檢閱您決定的機器學習作業 (MLOps) 工作流程架構，以了解驗證程式碼的位置和時機。

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。

MLOps 架構的主要目標是建立穩固且可重現的解決方案。 若要達成目的，此架構包括：

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。

若要將模型從開發移至部署，您需要進行持續整合。 持續整合期間，您將封裝並註冊模型。 但在封裝模型前，您必須驗證用來定型模型的程式碼。

您與資料科學小組同意使用主幹型開發。 分支不僅會保護生產程式碼，也讓您可在與生產程式碼合併之前，自動驗證任何建議的變更。

讓我們來了解資料科學家的工作流程：

1. 生產程式碼裝載於主要分支中。
2. 資料科學家會建立用於模型開發的功能分支。
3. 資料科學家會建立提取要求，提議將變更推送至主要分支。
4. 建立提取要求時，會觸發 GitHub Actions 工作流程來驗證程式碼。
5. 當程式碼通過 Linting 和單元測試時，主要資料科學家必須核准建議的變更。
6. 主要資料科學家核准變更後，會合併提取要求，並根據變更更新主要分支。

身為機器學習工程師，您必須建立 GitHub Actions 工作流程，此流程會在建立提取要求時，執行 Linter 和單元測試來驗證程式碼。

提示

深入了解如何使用機器學習專案的原始檔控制，包括主幹型開發和在本機驗證程式碼。