Introduction
Imaginez que vous êtes ingénieur en machine learning et que vous travaillez avec une équipe de science des données sur un modèle de classification du diabète. Le workflow créé par l’équipe de science des données prétraite les données et entraîne le modèle. Vous souhaitez exécuter le workflow automatiquement pour que l’entraînement et le réentraînement du modèle de classification s’effectuent de manière automatisée dans différents environnements, pilotés par différents événements.
L’automatisation est un aspect important des opérations de machine learning (MLOps, machine learning operations). À l’instar du DevOps, le MLOps permet un développement et une livraison rapides d’artefacts de machine learning aux consommateurs de ces artefacts. Une stratégie MLOps efficace permet de créer des workflows automatisés pour entraîner, tester et déployer des modèles Machine Learning tout en préservant la qualité des modèles.
À l’aide de GitHub Actions, vous allez exécuter automatiquement un travail Azure Machine Learning pour entraîner un modèle. Pour exécuter vos travaux Azure Machine Learning avec GitHub Actions, vous allez enregistrer vos informations d’identification Azure comme secret dans GitHub. Ensuite, vous définirez l’action GitHub à l’aide d’un fichier YAML.
Objectifs d’apprentissage
Dans ce module, vous allez découvrir comment :
- Créer un principal de service et lui attribuer les autorisations nécessaires pour exécuter un travail Azure Machine Learning
- Stocker les informations d’identification Azure de manière sécurisée en utilisant des secrets dans GitHub
- Créer une action GitHub à l’aide d’un fichier YAML utilisant les informations d’identification Azure stockées pour exécuter un travail Azure Machine Learning