Einführung

  • 2 Minuten

Automatisierung ist eins der wichtigsten Konzepte bei Machine Learning Operations (MLOps). Durch die Automatisierung von Aufgaben können Sie neue Modelle schneller in der Produktion bereitstellen.

Neben der Automatisierung ist die Quellcodeverwaltung ein weiterer wichtiger Aspekt bei der Verwaltung von Code und der Nachverfolgung von Änderungen.

Sie können die Automatisierung und die Quellcodeverwaltung zusammen verwenden, um Tasks im Machine Learning-Workflow basierend auf Änderungen im Code auszulösen. Automatisierte Tasks sollen aber nur ausgelöst werden, wenn die Codeänderungen überprüft und genehmigt wurden.

Wenn Sie z. B. ein Modell mit neuen Hyperparameterwerten neu trainieren möchten, sollten Sie den Hyperparameter im Quellcode aktualisieren. Nach der Überprüfung und Genehmigung der Änderung an dem Code, der zum Trainieren des Modells verwendet wird, sollten Sie das neue Modell auslösen, das trainiert werden soll.

GitHub ist eine Plattform, die GitHub Actions für die Automatisierung und Repositorys mit Git für die Quellcodeverwaltung bietet. Sie können Ihre GitHub Actions-Workflows so konfigurieren, dass sie durch eine Änderung in Ihrem Repository ausgelöst werden.

Lernziele

In diesem Modul lernen Sie Folgendes:

  • Arbeiten mit der featurebasierten Entwicklung
  • Schützen des Mainbranchs
  • Auslösen eines GitHub Actions-Workflows durch Mergen eines Pull Requests