Présentation

  • 3 minutes

Le déploiement d’un modèle Machine Learning entraîné n’est que le point intermédiaire du cycle de vie du modèle. Après le déploiement, vous devez toujours promouvoir un modèle en toute sécurité et surveiller son comportement en production. Ce module présente ce parcours, depuis l’enregistrement d’un modèle entraîné jusqu’à sa surveillance après sa mise en production.

Chez Proseware, Inc., une société de technologie des soins de santé, vous travaillez avec une équipe de science des données qui forme un modèle de classification pour prédire si un patient est susceptible de manquer un rendez-vous de clinique à venir. Le personnel de la clinique souhaite utiliser ces scores de risque d’absence pour déterminer quels patients appeler à l’avance afin de confirmer leur rendez-vous, ce qui permet de réduire le nombre de créneaux de rendez-vous perdus. Votre travail en tant qu’ingénieur Machine Learning consiste à prendre le modèle formé de l’équipe de science des données et à l’exécuter de manière fiable en production, avec un processus automatisé reproductible que l’équipe peut approuver à mesure que le modèle évolue.

Dans ce module, vous allez découvrir comment inscrire et gérer les versions de modèle MLflow dans Azure Machine Learning. Vous déployez et résolvez les problèmes d’un point de terminaison en ligne managé, puis promouvez ou restaurez en toute sécurité une version de modèle. Vous utilisez des environnements GitHub pour protéger la promotion de la production et GitHub Actions pour automatiser le déploiement. Vous explorez également la façon dont la surveillance des signaux guide l’investigation et la réentraînation.

À la fin de ce module, vous serez en mesure d’accompagner un modèle MLflow de son enregistrement à son déploiement automatisé et à sa surveillance continue dans Azure Machine Learning.

Objectifs d’apprentissage

Dans ce module, vous allez apprendre à :

  • Inscrivez, version et archivez des modèles MLflow tout au long de leur cycle de vie.
  • Utilisez GitHub environnements pour contrôler l’accès et exiger l’approbation avant la promotion de production.
  • Déployez et résolvez les problèmes d’un point de terminaison en ligne managé, favorisez en toute sécurité un modèle et revenez à une version précédente.
  • Automatisez le déploiement et le test de modèles avec GitHub Actions.
  • Surveillez un modèle déployé et reconnaissez les signaux qui appellent l’investigation ou la réentraînation.