Introduktion
Forestil dig, at du er maskinlæringstekniker og har til opgave at tage en model fra udvikling til produktion. Hvis du vil oplære, teste og udrulle en model til maskinel indlæring, er det bedst at bruge miljøer som en del af din machine learning-handlinger (MLOps)-strategi.
Når en dataforsker har oplært og testet modellen, skal du udrulle modellen, teste udrulningen og til sidst udrulle modellen til produktion, hvor den forbruges i stor skala. I overensstemmelse med praksis for softwareudvikling skal disse opgaver udføres i forskellige miljøer. Ved at bruge miljøer som f.eks. et udviklings-, midlertidig og produktionsmiljø kan du adskille MLOps-arbejdsprocessen.
Hvis du vil oprette forskellige miljøer, kan du oprette forskellige Azure Machine Learning-arbejdsområder, der er knyttet til separate GitHub-miljøer. Ved hjælp af GitHub-handlinger kan du automatisere arbejdsprocesser på tværs af miljøer og tilføje indhegnede godkendelser for at afhjælpe risici.
Læringsmål
I dette modul lærer du, hvordan du:
- Konfigurer miljøer i GitHub.
- Brug miljøer i GitHub-handlinger.
- Tilføj godkendelser for at tildele påkrævede korrekturlæsere, før du flytter modellen til det næste miljø.