MLOps con Azure Machine Learning

MLOps (operaciones de aprendizaje automático) se basa en principios y procedimientos de DevOps que aumentan la eficacia de los flujos de trabajo, como la integración, entrega e implementación continuas. MLOps aplica estos principios al proceso de aprendizaje automático para:

• Experimentar y desarrollar modelos con mayor rapidez.
• Implementar modelos en producción con mayor rapidez.
• Practicar y perfeccionar el control de calidad.

Azure Machine Learning ofrece las siguientes funcionalidades de MLOps:

• Creación de canalizaciones reproducibles. Las canalizaciones de Machine Learning permiten definir pasos repetibles y reutilizables para los procesos de preparación de datos, entrenamiento y puntuación.
• Cree entornos de software reutilizables para entrenar e implementar modelos.
• Registro, empaquetado e implementación de modelos desde cualquier lugar. Puede realizar el seguimiento de los metadatos asociados necesarios para utilizar el modelo.
• Captura de los datos de gobernanza del ciclo de vida de un extremo a otro. La información registrada puede incluir quién está publicando modelos, por qué se han realizado los cambios y cuándo se implementaron o usaron los modelos en producción.
• Notificación y alerta sobre eventos del ciclo de vida. Por ejemplo, puede recibir alertas sobre la finalización del experimento, el registro del modelo, la implementación de este y la detección del desfase de datos.
• Supervisión de aplicaciones para las incidencias operativas y las relacionadas con el aprendizaje automático. Compare las entradas del modelo durante el entrenamiento y la inferencia, explore las métricas de un modelo específico e incluya supervisión y alertas en su infraestructura de aprendizaje automático.
• Automatización del ciclo de vida de aprendizaje automático de un extremo a otro con Azure Machine Learning y Azure Pipelines. El uso de canalizaciones le permite actualizar con frecuencia los modelos, probar los modelos nuevos e implementar continuamente nuevos modelos de aprendizaje automático junto con sus otras aplicaciones y servicios.

Procedimientos recomendados para MLOps con Azure Machine Learning

Los modelos se diferencian del código en que tienen una vida útil orgánica y se deterioran a menos que se mantengan. Una vez implementados, pueden agregar valor empresarial real, lo que resulta más fácil cuando se proporcionan a los científicos de datos las herramientas necesarias para adoptar prácticas de ingeniería estándar.

MLOps con Azure le ayuda a:

• Cree modelos reproducibles y canalizaciones de entrenamiento reutilizables.
• Simplificar el empaquetado, la validación y la implementación de modelos de cara a los controles de calidad y las pruebas A/B.
• Explicar y observar el comportamiento de los modelos y automatizar el proceso de reentrenamiento.

MLOps mejora la calidad y la coherencia de las soluciones de aprendizaje automático. Para más información sobre cómo usar Azure Machine Learning para administrar el ciclo de vida de los modelos, consulte MLOps: Administración, implementación y supervisión de modelos con Azure Machine Learning.

Pasos siguientes

Para más información, lea y explore los siguientes recursos:

• MLOps: Administración, implementación y supervisión de modelos con Azure Machine Learning.
• Cómo y dónde se implementan los modelos con Azure Machine Learning.
• Tutorial: Implementación de un modelo de clasificación de imágenes en Azure Container Instances.
• Repositorio de ejemplos de MLOps de un extremo a otro
• CI/CD de modelos de aprendizaje automático con Azure Pipelines
• Creación de clientes que consumen un modelo implementado
• Aprendizaje automático a escala
• Repositorio de procedimientos recomendados y arquitecturas de referencia de Azure AI