Exploración de la arquitectura de implementación y supervisión

Completado

Para mantener el modelo sin mostrar confiable a medida que evoluciona, el equipo de Proseware sigue un proceso de operaciones de aprendizaje automático (MLOps) que abarca todo, desde la configuración inicial hasta la supervisión continua.

Nota

Este diagrama es una representación simplificada de una arquitectura de MLOps. Para explorar un conjunto más detallado de implementaciones, consulte el acelerador de soluciones de MLOps v2.

La arquitectura incluye:

• Configuración: cree los recursos de Azure que necesita la solución.
• Desarrollo de modelos (bucle interno): explore los datos y entrene y evalúe modelos candidatos.
• Integración continua: empaquetado y registro del modelo.
• Implementación del modelo (bucle externo): Implemente el modelo en un extremo.
• Despliegue continuo: pruebe el despliegue y promuévalo de forma segura a producción.
• Supervisión: realice un seguimiento del estado operativo del punto de conexión y las predicciones del modelo a lo largo del tiempo.

Registrar un modelo es el punto de unión entre las tres primeras etapas y las tres últimas. Una vez que el equipo de ciencia de datos entrena y registra un modelo, el resto de este módulo se centra en la segunda mitad del ciclo: tomar un modelo registrado a través de la implementación, promoción segura, automatización y supervisión.

Decidir qué automatizar

Puede realizar cada una de estas fases posteriores manualmente en Estudio de Azure Machine Learning. Sin embargo, dado que Proseware planea volver a entrenar y volver a desplegar periódicamente el modelo de ausencias, el equipo automatiza el registro, el despliegue y las pruebas con Acciones de GitHub, activando el flujo de trabajo siempre que una nueva versión del modelo está lista. La automatización de estos pasos repetitivos libera al equipo para centrarse en revisar la calidad del modelo en lugar de repetir los comandos de implementación manualmente.

Nota

La automatización es fundamental para MLOps, pero no reemplaza el juicio humano. Es un procedimiento recomendado mantener a una persona en el bucle de decisiones, como promover una nueva versión del modelo a todo el tráfico de producción o investigar una alerta de supervisión.

En la unidad siguiente se muestra cómo un entorno de GitHub protegido convierte ese punto de revisión en una puerta de implementación ejecutable.