Einführung

Abgeschlossen

Die Zahl der Projekte im Bereich des maschinellen Lernens in Unternehmen nimmt zu, da mehr Daten zur Verfügung stehen, die Computeleistung demokratisiert wurde und die Algorithmen zum Trainieren von Modellen verbessert wurden.

Eines der Haupthindernisse bei der Einführung und Skalierung von Projekten zum maschinellen Lernen sind jedoch das Fehlen einer klaren Strategie und organisatorische Silos.

MLOps

Machine Learning Operations oder MLOps zielt auf eine effizientere Skalierung von einem Proof of Concept oder einem Pilotprojekt zu einer Workload für maschinelles Lernen in der Produktion ab.

Das Implementieren von MLOps hilft Ihnen, Ihren Workloads für maschinelles Lernen robust und reproduzierbar zu gestalten. So können Sie beispielsweise ein Modell bei Bedarf überwachen, neu trainieren und erneut bereitstellen, während Sie immer ein Modell in der Produktion belassen.

Der Zweck von MLOps besteht darin, den Lebenszyklus des maschinellen Lernens skalierbar zu gestalten:

  1. Trainieren des Modells
  2. Packen des Modells
  3. Überprüfen des Modells
  4. Bereitstellen des Modells
  5. Überwachen des Modells
  6. Erneutes Trainieren des Modells

Machine learning lifecycle

MLOps erfordert mehrere Rollen und mehrere Tools. Data Scientists konzentrieren sich häufig auf alle Aufgaben im Zusammenhang mit dem Trainieren des Modells, auch als innere Schleife bezeichnet.

Um das Modell zu verpacken und bereitzustellen, benötigen Data Scientists möglicherweise die Hilfe von Engineers für maschinelles Lernen, die DevOps-Methoden anwenden, um die Modelle für maschinelles Lernen zu skalieren.

Das Ausführen eines trainierten Modells und die Bereitstellung in der Produktion wird häufig als äußere Schleife bezeichnet. In der äußeren Schleife wird das Modell verpackt, überprüft, bereitgestellt und überwacht. Wenn Sie entscheiden, dass das Modell neu trainiert werden muss, wechseln Sie zurück zur inneren Schleife, um Änderungen am Modell vorzunehmen.

DevOps

Die Verwendung von DevOps-Prinzipien wie agile Planung kann Ihrem Team helfen, die Aufgaben zu organisieren und schneller Ergebnisse zu erzielen. Mit Quellcodeverwaltung können Sie die Zusammenarbeit an Projekten erleichtern. Und mit Automatisierung können Sie den Lebenszyklus des maschinellen Lernens beschleunigen.

In diesem Modul werden die DevOps-Prinzipien vorgestellt und zwei häufig verwendete Tools beschrieben: Azure DevOps und GitHub.

Lernziele

In diesem Modul lernen Sie Folgendes:

  • Warum DevOps für Projekte zum maschinellen Lernen nützlich ist.
  • Welche DevOps-Prinzipien in Projekten zum maschinellen Lernen umgesetzt werden können.
  • Wie Azure DevOps und GitHub mit Azure Machine Learning verbunden werden können.