Menjelajahi arsitektur solusi
Untuk merencanakan skala dan otomatisasi, Anda telah bekerja sama dengan beberapa pemangku kepentingan untuk memutuskan arsitektur operasi pembelajaran mesin (MLOps).
Catatan
Diagram adalah representasi sederhana dari arsitektur MLOps. Untuk melihat arsitektur yang lebih rinci, jelajahi berbagai kasus penggunaan di akselerator solusi MLOps (v2).
Arsitektur tersebut meliputi:
- Penyiapan: Buat semua sumber daya Azure yang diperlukan untuk solusi tersebut.
- Pengembangan model (perulangan dalam): Jelajahi dan proses data untuk melatih dan mengevaluasi model.
- Integrasi berkelanjutan: Mengemas dan mendaftarkan model.
- Penyebaran model (perulangan luar): Sebarkan model.
- Penyebaran berkelanjutan: Uji model dan promosikan ke lingkungan produksi.
- Pemantauan: Memantau model dan performa titik akhir.
Yang terpenting untuk tantangan saat ini adalah mengambil model dari pengembangan model ke penyebaran model. Langkah di antara kedua perulangan ini adalah mengemas dan mendaftarkan model. Setelah tim ilmu data melatih model, penting untuk mengemas model, dan mendaftarkannya di ruang kerja Azure Machine Learning. Setelah model terdaftar, saatnya untuk menyebarkan model.
Ada beberapa pendekatan untuk mengemas model. Setelah meninjau beberapa opsi seperti bekerja dengan file acar, Anda telah memutuskan dengan tim ilmu data untuk bekerja dengan MLflow. Saat mendaftarkan model sebagai model MLflow, Anda dapat memilih penyebaran tanpa kode di ruang kerja Azure Machine Learning. saat Anda menggunakan penyebaran tanpa kode, Anda tidak perlu membuat skrip penilaian dan lingkungan agar penyebaran berfungsi.
Saat Anda ingin menyebarkan model, Anda memiliki pilihan antara titik akhir online untuk prediksi real time atau titik akhir batch untuk prediksi batch. Karena model akan diintegrasikan dengan aplikasi web di mana praktisi akan memasukkan data medis yang mengharapkan untuk mendapatkan respons langsung, Anda memilih untuk menyebarkan model ke titik akhir online.
Anda dapat menyebarkan model secara manual di ruang kerja Azure Machine Learning. Namun, Anda berharap untuk menyebarkan lebih banyak model di masa depan. Dan Anda ingin dengan mudah menyebarkan ulang model klasifikasi diabetes setiap kali model telah dilatih kembali. Oleh karena itu, Anda ingin mengotomatiskan penyebaran model jika memungkinkan.
Catatan
Meskipun otomatisasi adalah aspek penting dari MLOps, sangat penting untuk mempertahankan human-in-the-loop. Ini adalah praktik terbaik untuk memverifikasi model sebelum menyebarkannya secara otomatis.