استكشاف هيكل الحل
للتخطيط للتحجيم والتشغيل التلقائي، عملت مع العديد من أصحاب المصلحة لاتخاذ قرار بشأن بنية عمليات التعلم الآلي (MLOps).
إشعار
الرسم التخطيطي هو تمثيل مبسط لتصميم MLOps. لعرض تصميم أكثر تفصيلاً، استكشف حالات الاستخدام المختلفة في مسرع حلول MLOps (v2).
تتضمن البنية ما يلي:
- الإعداد: إنشاء جميع موارد Azure الضرورية للحل.
- تطوير النموذج (التكرار الحلقي الداخلي): استكشاف البيانات ومعالجتها لتدريب النموذج وتقييمه.
- التكامل المستمر: حزم النموذج وتسجيله.
- توزيع النموذج (التكرار الحلقي الخارجي): توزيع النموذج.
- التوزيع المستمر: اختبار النموذج وترقيته إلى بيئة التشغيل.
- المراقبة: مراقبة أداء النموذج ونقطة النهاية.
والأهم من ذلك بالنسبة للتحدي الحالي هو أخذ نموذج من تطوير النموذج إلى توزيع النموذج. الخطوة بين هاتين الحلقتين هي حزم النموذج وتسجيله. بعد أن درب فريق علوم البيانات نموذجًا، من الضروري حزم النموذج وتسجيله في مساحة عمل Azure Machine Learning. بمجرد تسجيل النموذج، حان الوقت لتوزيع النموذج.
هناك العديد من الأساليب لحزم النموذج. بعد مراجعة بعض الخيارات مثل العمل مع ملفات pickle، قررت مع فريق علوم البيانات العمل باستخدام MLflow. عند تسجيل النموذج كنموذج MLflow، يمكنك اختيار توزيع بدون تعليمات برمجية في مساحة عمل Azure Machine Learning. عند استخدام توزيع بدون تعليمات برمجية، لا تحتاج إلى إنشاء البرنامج النصي لتسجيل النقاط والبيئة حتى يعمل التوزيع.
عندما تريد توزيهع نموذج، يكون لديك خيار بين نقطة نهاية عبر الإنترنت للتنبؤات في الوقت الحقيقي أو نقطة نهاية دفعية للتنبؤات الدفعية. نظرًا لأن النموذج سيتم دمجه مع تطبيق ويب حيث سيقوم الممارس بإدخال البيانات الطبية المتوقعة للحصول على استجابة مباشرة، فإنك تختار توزيع النموذج إلى نقطة نهاية عبر الإنترنت.
يمكنك توزيع النموذج يدويًا في مساحة عمل Azure Machine Learning. ومع ذلك، تتوقع توزيع المزيد من النماذج في المستقبل. وتريد إعادة توزيع نموذج تصنيف مرض السكري بسهولة كلما تمت إعادة تدريب النموذج. لذلك تريد التشغيل التلقائي لتوزيع النموذج كلما أمكن ذلك.
إشعار
على الرغم من أن التشغيل التلقائي هو جانب مهم من MLOps، فمن المهم الحفاظ على عنصر بشري في الحلقة. من أفضل الممارسات التحقق من النموذج قبل توزيعه تلقائيًا.