¿Qué son las canalizaciones de Azure Machine Learning?

SE APLICA A:Extensión ML de la CLI de Azure v2 (actual)SDK de Python azure-ai-ml v2 (actual)

Una canalización de Azure Machine Learning es un flujo de trabajo que automatiza una tarea de aprendizaje automático completa. Estandariza los procedimientos recomendados, admite la colaboración en equipo y mejora la eficacia.

¿Por qué son necesarias las canalizaciones de Azure Machine Learning?

Una canalización divide una tarea de aprendizaje automático en pasos. Cada paso es un componente administrable que se puede desarrollar y automatizar por separado. Azure Machine Learning administra las dependencias entre los pasos. Este enfoque modular:

Estandarización de la práctica de MLOps y admisión de una colaboración en equipo escalable

MLOps automatiza la creación e implementación de modelos. Las canalizaciones simplifican este proceso mediante la asignación de cada paso a una tarea específica, por lo que los equipos pueden trabajar de manera independiente.

Por ejemplo, un proyecto puede incluir recopilación de datos, preparación, entrenamiento, evaluación e implementación. Los ingenieros de datos, los científicos y los ingenieros de aprendizaje automático poseen sus pasos. Los pasos se compilan mejor como componentes y a continuación, se integran en un único flujo de trabajo. Las canalizaciones se pueden versionar, automatizar y estandarizar mediante prácticas de DevOps.

Eficiencia del entrenamiento y reducción de costos

Las canalizaciones también mejoran la eficiencia y reducen los costos. Reutilizan salidas de pasos sin cambios y permiten ejecutar cada paso en el mejor recurso de proceso para la tarea.

Procedimientos recomendados de introducción

Puede compilar una canalización de varias maneras, en función del punto de partida.

Si no está familiarizado con las canalizaciones, empiece por dividir el código existente en pasos, parametrizar entradas y encapsular todo en una canalización.

Para escalar, use plantillas de canalización para problemas comunes. Teams bifurca una plantilla, trabaja en pasos asignados y actualiza solo su parte según sea necesario.

Con canalizaciones y componentes reutilizables, los equipos pueden crear rápidamente nuevos flujos de trabajo mediante la clonación o combinación de piezas existentes.

Puede compilar canalizaciones mediante la CLI, el SDK de Python, o la Interfaz de usuario del diseñador.

¿Qué tecnología de canalización de Azure se debe usar?

Azure proporciona varios tipos de canalizaciones con distintos fines:

Escenario Rol principal Oferta de Azure Oferta de OSS Canalización canónica Puntos destacados
Orquestación de modelo (aprendizaje automático) Científico de datos Canalizaciones de Azure Machine Learning Canalizaciones de Kubeflow Datos -> Modelo Distribución, almacenamiento en caché, Code First, reutilización
Orquestación de datos (preparación de datos) Ingeniero de datos Canalizaciones de Azure Data Factory Airflow de Apache Datos -> Datos Actividades centradas en datos y movimiento fuertemente tipado
Orquestación de códigos y aplicaciones (CI/CD) Desarrollo/operaciones de aplicaciones Azure Pipelines Jenkins Código + Modelo -> Aplicación o servicio Compatibilidad con la mayoría de las actividades abiertas y flexibles, colas de aprobación, fases con restricción de acceso

Pasos siguientes

Las canalizaciones de Azure Machine Learning agregan valor desde el principio del desarrollo.

  • Last updated on