توزيع النموذج
يمكنك توزيع نموذج يدويًا باستخدام مساحة عمل Azure Machine Learning. لتوزيع نموذج تلقائيًا، يمكنك استخدام Azure Machine Learning CLI (v2) وGitHub Actions. لتوزيع نموذج تلقائيًا باستخدام GitHub Actions، سيتعين عليك:
- حزم النموذج وتسجيله.
- إنشاء نقطة نهاية وتوزيع النموذج.
- التحقق من النموذج المنشور.
حزم النموذج وتسجيله
كلما كنت ترغب في توزيع نموذج مع مساحة عمل Azure Machine Learning، ستحتاج إلى حفظ إخراج النموذج وتسجيل النموذج في مساحة العمل. عند تسجيل النموذج، يمكنك تحديد ما إذا كان لديك MLflow أو نموذج مخصص.
عند إنشاء نموذج وتسجيله باستخدام MLflow، يمكنك استخدام توزيع بدون تعليمات برمجية.
تلميح
تعرف على المزيد حول كيفية توزيع نماذج MLflow.
لتسجيل النموذج الخاص بك باستخدام MLflow، قم بتمكين التسجيل التلقائي في البرنامج النصي للتدريب الخاص بك باستخدام mlflow.autolog().
عند تسجيل نموذج أثناء تدريب النموذج، يتم تخزين النموذج في إخراج الوظيفة. بدلاً من ذلك، يمكنك تخزين النموذج في مخزن بيانات Azure Machine Learning.
لتسجيل النموذج، يمكنك الإشارة إما إلى إخراج الوظيفة، أو إلى موقع في مخزن بيانات Azure Machine Learning.
إنشاء نقطة نهاية وتوزيع النموذج
لتوزيع النموذج إلى نقطة نهاية، يمكنك أولاً إنشاء نقطة نهاية ثم توزيع النموذج. نقطة النهاية هي نقطة نهاية HTTPS يمكن لتطبيق الويب إرسال البيانات إليها والحصول على تنبؤ منها. تريد أن تظل نقطة النهاية كما هي، حتى بعد توزيع نموذج محدث إلى نفس نقطة النهاية. عندما تظل نقطة النهاية كما هي، لن يحتاج تطبيق الويب إلى التحديث في كل مرة تتم فيها إعادة تدريب النموذج.
تلميح
تعرف على المزيد حول كيفية توزيع نموذج باستخدام Azure Machine Learning CLI (v2).
اختبار النموذج
وأخيرًا، ستحتاج إلى اختبار النموذج الموزع قبل تكامل نقطة النهاية مع تطبيق الويب. أو قبل تحويل كافة نسب استخدام الشبكة لنقطة نهاية إلى النموذج المحدث. يمكنك اختبار نقطة نهاية عبر الإنترنت يدويًا أو يمكنك التشغيل التلقائي لاختبار نقطة النهاية باستخدام GitHub Actions.
إشعار
يمكنك إضافة مهمة اختبار إلى نفس سير العمل مثل مهمة توزيع النموذج. يمكن أن يستغرق توزيع النموذج بعض الوقت لإكماله. لذلك تحتاج إلى التأكد من أن الاختبار يحدث فقط عند اكتمال توزيع النموذج بنجاح.