Udforsk løsningsarkitekturen

Fuldført

Det er vigtigt at forstå det overordnede billede, før du går videre med implementeringen for at sikre, at alle kravene er opfyldt. Vi vil også sikre, at tilgangen nemt kan tilpasses i fremtiden. Fokus i denne øvelse er at begynde at bruge GitHub-handlinger som orkestrerings- og automatiseringsværktøj til den machine learning operations-strategi (MLOps), der er defineret i løsningsarkitekturen.

Seddel

Diagrammet er en forenklet repræsentation af en MLOps-arkitektur. Hvis du vil have vist en mere detaljeret arkitektur, skal du udforske de forskellige use cases i MLOps (v2)-løsningsaccelerator.

Arkitekturen omfatter:

1. installation: Opret alle nødvendige Azure-ressourcer til løsningen.
2. Modeludvikling (indre løkke): Udforsk og behandl dataene for at oplære og evaluere modellen.
3. Kontinuerlig integration: Pak og registrer modellen.
4. modelinstallation (ydre løkke): Udrul modellen.
5. Kontinuerlig udrulning: Test modellen, og hæv til produktionsmiljøet.
6. Overvågning: Overvåg modellens og slutpunktsydeevnen.

Vi automatiserer specifikt oplæringsdelen af modeludvikling eller indre løkke, hvilket i sidste ende giver os mulighed for hurtigt at oplære og registrere flere modeller til udrulning til midlertidige og produktionsmiljøer.

Azure Machine Learning-arbejdsområdet, Azure Machine Learning Compute og GitHub-lageret er alle blevet oprettet for dig af infrastrukturteamet.

Desuden er den kode, der bruges til at oplære klassificeringsmodellen, klar til produktion, og de data, der er nødvendige for at oplære modellen, er tilgængelige i et Azure Blob Storage, der er forbundet til Azure Machine Learning-arbejdsområdet.

Din implementering gør det muligt at flytte fra indre til ydre løkke for at være en automatiseret proces, der sker, når en dataforsker sender ny modelkode til GitHub-lageret, hvilket muliggør løbende levering af modeller til maskinel indlæring til downstreamforbrugere af modellen, f.eks. det webprogram, der bruger diabetesklassificeringsmodellen.