Udforsk løsningsarkitekturen

Fuldført

Når du arbejder på mindre projekter med mindre teams, kan det give mening at have ét Azure Machine Learning-arbejdsområde. Det ene arbejdsområde kan bruges til alt: til at oplære, teste og udrulle din model. Hos Proseware vil du dog gerne have en robust og fremtidssikret løsning, der nemt kan skaleres, når du bygger og vedligeholder flere modeller, som du vil integrere med vores webprogram til praktikere.

Hvis du hurtigt, men sikkert vil flytte en model fra udvikling til produktion, er du blevet enige om en arkitektur på højt niveau maskinel indlæring (MLOps).

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.

For at arbejde med modeller til maskinel indlæring i stor skala ønsker Proseware at bruge separate miljøer til forskellige faser. Hvis du har separate miljøer, bliver det nemmere at styre adgangen til ressourcer. Hvert miljø kan derefter knyttes til et separat Azure Machine Learning-arbejdsområde.

Seddel

I dette modul henviser vi til DevOps-fortolkningen af miljøer. Bemærk, at Azure Machine Learning også bruger ordmiljøer til at beskrive en samling Python-pakker, der er nødvendige for at køre et script. Disse to begreber i miljøer er uafhængige af hinanden. Få mere at vide om Azure Machine Learning-miljøer.

Hvis du vil tillade, at modeller testes, før de udrulles, skal du arbejde med tre miljøer:

Miljøet udvikling bruges til den indre løkke:

1. Datateknikere oplærer modellen.
2. Modellen er pakket og registreret.

Det midlertidige miljø bruges til en del af den ydre løkke:

3. Test koden og modellen med linting og enhedstest.
4. Udrul modellen for at teste slutpunktet.

Det produktions- miljø bruges til en anden del af den ydre løkke:

5. Udrul modellen til produktionsslutpunktet. Produktionsslutpunktet er integreret med webprogrammet.
6. Overvåg modellens og slutpunktets ydeevne for at udløse genoplæring, når det er nødvendigt.

Selvom mange opgaver i forbindelse med maskinel indlæring kan og bør automatiseres, skal du også planlægge punkter, hvor du vil have gated godkendelse. Når en model er oplært og pakket, skal du give dataforskeren for kundeemnet besked om at validere modellen, før den flyttes til det midlertidige miljø.

Når modellen er testet kraftigt i det midlertidige miljø, vil du på samme måde tilføje portinddelt godkendelse for at sikre, at nogen fra softwareudviklingsteamet bekræfter, at alle test lykkedes, før du udrullede din model til produktion.

Når du arbejder med miljøer, giver gated godkendelse dig mulighed for at styre udrulninger fra ét miljø til det næste.