Introducción
Un desafío común al desarrollar modelos de aprendizaje automático es prepararse para escenarios de producción. Al escribir código para procesar datos y entrenar modelos, quiere que el código sea escalable, repetible y listo para la automatización.
Aunque los cuadernos son ideales para la experimentación y el desarrollo, los scripts son una mejor opción para las cargas de trabajo de producción. En Azure Machine Learning, puede ejecutar un script como un trabajo de comando. Al enviar un trabajo de comando, puede configurar varios parámetros, como los datos de entrada y el entorno de proceso.
Cuando el script de entrenamiento se ejecute como trabajo, también querrá supervisar el rendimiento del modelo con el tiempo. Puede usar MLflow para realizar un seguimiento de las métricas, los parámetros y los artefactos directamente desde los scripts. MLflow es una plataforma de código abierto integrada con Azure Machine Learning que le permite comparar ejecuciones y decidir los pasos siguientes.
Objetivos de aprendizaje
En este módulo, aprenderá a:
- Convierta un cuaderno en un script.
- Probar scripts en un terminal.
- Ejecute un script como un trabajo de comando.
- Use parámetros en un trabajo de comando.
- Use MLflow al ejecutar un script como trabajo.
- Revise las métricas, los parámetros, los artefactos y los modelos de una ejecución.
Empecemos por explorar por qué los scripts son una mejor opción que los cuadernos para cargas de trabajo de aprendizaje automático de producción. Y cómo convertir los cuadernos existentes en scripts reutilizables y listos para producción.