גלה את ארכיטקטורת הפתרון

הושלם

בוא נעיין בארכיטקטורה שהחלטת עליה עבור זרימת העבודה של פעולות למידת מכונה (MLOps) כדי להבין היכן ומתי עלינו לאמת את הקוד.

הערה

הדיאגרמה היא ייצוג פשוט של ארכיטקטורת MLOps. כדי להציג ארכיטקטורה מפורטת יותר, סקור את מקרי השימוש השונים ב- MLOps (v2) מאיץ פתרונות.

המטרה העיקרית של ארכיטקטורת MLOps היא ליצור פתרון חזק ונמחזר. כדי להשיג זאת, הארכיטקטורה כוללת:

1. הגדרת: צור את כל המשאבים הנחוצים של Azure עבור הפתרון.
2. מודלים (לולאה פנימית): גלה ועבד את הנתונים כדי לתרגל ולהעריך את המודל.
3. שילוב רציף: ארוז ורשום את המודל.
4. פריסת מודל (לולאה) : פרוס את המודל.
5. פריסה רציפה: בדוק את המודל וקדם לסביבת ייצור.
6. ניטור: ניטור הביצועים של מודל ונקודות קצה.

כדי להעביר מודל מההת הפיתוח לפריסה, תזדקק לשילוב רציף. במהלך שילוב רציף, תחבילה ותרשום את המודל. עם זאת, לפני אריזת מודל, יהיה עליך לאמת את הקוד המשמש לתרגל את המודל.

יחד עם צוות מדעי הנתונים, הסכמת להשתמש פיתוח מבוסס-גזע. לא רק שהענפים מגנים על קוד הייצור, הם גם יאפשרו לך לאמת באופן אוטומטי שינויים מוצעים לפני המיזוג שלהם עם קוד הייצור.

בוא נחקור את זרימת העבודה עבור מדען נתונים:

1. קוד הייצור מתארח בענף הראשי של .
2. מדען נתונים יוצר ענף תכונה לפיתוח מודלים.
3. מדען הנתונים יוצר בקשת משיכה להציע לדחוף שינויים לענף הראשי.
4. בעת יצירת בקשת משיכה, מופעלת של פעולות GitHub כדי לאמת את הקוד.
5. כאשר הקוד עובר את הפעולות היחידה, מדען הנתונים המהווה הפניה צריך לאשר את השינויים המוצעים.
6. לאחר שמדען נתוני ההפניה מאשר את השינויים, בקשת המשיכה על, והענף הראשי מתעדכן בהתאם.

כמהנדסת למידת מכונה, יהיה עליך ליצור זרימת עבודה של פעולות GitHub המ מאמתת את הקוד על-ידי הפעלת מודד ויחידת בדיקות בכל פעם שנוצרת בקשת משיכה.

עצה

קבל מידע נוסף כיצד לעבוד עם בקרת מקור עבור פרוייקטים של למידת מכונה, כולל פיתוח מבוסס-גזע ואימתת הקוד שלך באופן.