Introducción
La implementación de un modelo de aprendizaje automático entrenado es solo el punto medio del ciclo de vida del modelo. Después de la implementación, aún es necesario promocionar un modelo de forma segura y seguir supervisando cómo se comporta en producción. Este módulo recorre ese proceso, desde registrar un modelo entrenado hasta supervisarlo después de que empiece a recibir tráfico real.
En Proseware, Inc., una empresa tecnológica de atención médica, trabaja con un equipo de ciencia de datos que entrena un modelo de clasificación para predecir si es probable que un paciente pierda una próxima cita clínica. El personal de la clínica quiere usar estas puntuaciones de riesgo de inasistencia para decidir a quién llamar con antelación para confirmar la cita, reduciendo los huecos de cita desaprovechados. Su trabajo como ingeniero de aprendizaje automático es tomar el modelo entrenado del equipo de ciencia de datos y conseguir que se ejecute de forma confiable en producción, con un proceso repetible y automatizado en el que el equipo puede confiar a medida que evoluciona el modelo.
En este módulo, explorará cómo registrar y administrar versiones del modelo de MLflow en Azure Machine Learning. Implemente y solucione problemas en un punto de conexión en línea administrado y, a continuación, promocione o revierta de forma segura una versión del modelo. Usas los entornos de GitHub para proteger la promoción a producción y Acciones de GitHub para automatizar el despliegue. También explorará cómo las señales de supervisión guían la investigación y el reentrenamiento.
Al final de este módulo, podrás llevar un modelo de MLflow desde su registro hasta su despliegue automatizado y su supervisión continua en Azure Machine Learning.
Objetivos de aprendizaje
En este módulo aprenderá a:
- Registre, versione y archive modelos de MLflow a lo largo de su ciclo de vida.
- Usa los entornos de GitHub para controlar el acceso y exigir aprobación antes de la promoción a producción.
- Implemente y solucione problemas de un punto de conexión en línea administrado, promueva de forma segura un modelo y revierte a una versión anterior.
- Automatice la implementación y las pruebas de modelos con Acciones de GitHub.
- Supervise un modelo implementado y reconozca señales que requieren investigación o reentrenamiento.