Menjelajahi arsitektur solusi

  • 5 menit

Saat Anda mengerjakan proyek yang lebih kecil dengan tim yang lebih kecil, mungkin masuk akal untuk memiliki satu ruang kerja Azure Machine Learning. Satu ruang kerja dapat digunakan untuk semuanya: untuk melatih, menguji, dan menyebarkan model Anda. Namun, di Proseware, Anda ingin memiliki solusi yang kuat dan tahan masa depan yang dapat dengan mudah menskalakan ketika Anda membangun dan memelihara beberapa model yang ingin Anda integrasikan dengan aplikasi web kami untuk praktisi.

Untuk memindahkan model dengan cepat tetapi aman dari pengembangan ke produksi, Anda telah menyetujui arsitektur operasi pembelajaran mesin (MLOps) tingkat tinggi.

Diagram of machine learning operations architecture.

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:

  1. Penyiapan: Buat semua sumber daya Azure yang diperlukan untuk solusi tersebut.
  2. Pengembangan model (perulangan dalam): Jelajahi dan proses data untuk melatih dan mengevaluasi model.
  3. Integrasi berkelanjutan: Mengemas dan mendaftarkan model.
  4. Penyebaran model (perulangan luar): Sebarkan model.
  5. Penyebaran berkelanjutan: Uji model dan promosikan ke lingkungan produksi.
  6. Pemantauan: Memantau model dan performa titik akhir.

Untuk bekerja dengan model pembelajaran mesin dalam skala besar, Proseware ingin menggunakan lingkungan terpisah untuk berbagai tahap. Memiliki lingkungan yang terpisah akan memudahkan untuk mengontrol akses ke sumber daya. Setiap lingkungan kemudian dapat dikaitkan dengan ruang kerja Azure Machine Learning yang terpisah.

Catatan

Dalam modul ini, kami merujuk pada interpretasi lingkungan DevOps. Perhatikan bahwa Azure Machine Learning juga menggunakan istilah lingkungan untuk menjelaskan kumpulan paket Python yang diperlukan untuk menjalankan skrip. Kedua konsep lingkungan ini bersifat independen satu sama lain. Pelajari selengkapnya tentang lingkungan Azure Machine Learning.

Untuk memungkinkan model diuji sebelum disebarkan, Anda ingin bekerja dengan tiga lingkungan:

Diagram of development, staging, and production environment.

Lingkungan pengembangan digunakan untuk perulangan dalam:

  1. Ilmuwan data melatih model tersebut.
  2. Model ini dipaketkan dan didaftarkan.

Lingkungan penahapan digunakan untuk bagian dari perulangan luar:

  1. Uji kode dan model dengan linting dan pengujian unit.
  2. Sebarkan model untuk menguji titik akhir.

Lingkungan produksi digunakan untuk bagian lain dari perulangan luar:

  1. Sebarkan model ke titik akhir produksi. Titik akhir produksi terintegrasi dengan aplikasi web.
  2. Pantau performa model dan titik akhir untuk memicu pelatihan ulang bila perlu.

Meskipun banyak tugas pembelajaran mesin dapat dan harus diotomatisasi, Anda juga ingin merencanakan titik-titik di mana Anda ingin persetujuan yang terjaga keamanannya. Ketika model telah dilatih dan dibungkus, Anda ingin memberi tahu ilmuwan data utama untuk memvalidasi model sebelum pindah ke lingkungan penahapan.

Demikian pula, setelah model diuji dengan ketat di lingkungan penahapan, Anda ingin menambahkan persetujuan yang terjaga untuk memastikan seseorang dari tim pengembangan perangkat lunak memverifikasi bahwa semua pengujian berhasil sebelum menyebarkan model Anda ke produksi.

Saat Anda bekerja dengan lingkungan, persetujuan terjaga memungkinkan Anda mengontrol penyebaran dari satu lingkungan ke lingkungan berikutnya.