Résumé

  • 2 minutes

Dans ce module, vous avez suivi un modèle entraîné depuis son enregistrement jusqu’à son déploiement automatisé et sa surveillance en production dans Azure Machine Learning.

Ce que vous avez appris

  • Vous inscrivez et versionz des modèles MLflow, puis archivez les versions qui n’ont plus besoin d’apparaître dans les listes par défaut.
  • Vous explorez les phases MLOps qui connectent le développement de modèles au déploiement, à l’automatisation et à la supervision.
  • Vous utilisez des environnements de GitHub protégés pour étendre l’accès au déploiement et exiger une approbation avant la promotion de production.
  • Vous déployez un modèle sur un point de terminaison en ligne managé et utilisez un déploiement bleu-vert pour tester une nouvelle version avant de déplacer le trafic de production vers celui-ci.
  • Vous résolvez les échecs de déploiement et de scoring en vérifiant les détails du déploiement et les journaux d'activité des conteneurs.
  • Vous conservez le déploiement précédent disponible afin de pouvoir restaurer en redirigeant le trafic sans modifier l’URL du point de terminaison.
  • Vous automatisez l’inscription, le déploiement et les tests avec GitHub Actions à l’aide des informations d’identification fédérées OIDC.
  • Vous utilisez des signaux de surveillance des modèles et opérationnelle pour décider quand effectuer un retour arrière, enquêter ou réentraîner le modèle.

Learn more