Riepilogo

  • 2 minuti

In questo modulo, hai portato un modello addestrato dalla registrazione, attraverso la distribuzione automatizzata, fino al monitoraggio in produzione in Azure Machine Learning.

Cosa si è appreso

  • Si registrano i modelli MLflow e se ne gestiscono le versioni, quindi si archiviano le versioni che non devono più essere visualizzate negli elenchi predefiniti.
  • Verranno esaminate le fasi mlops che connettono lo sviluppo di modelli alla distribuzione, all'automazione e al monitoraggio.
  • Si usano ambienti GitHub protetti per definire l'ambito dell'accesso alla distribuzione e richiedere l'approvazione prima dell'innalzamento di livello di produzione.
  • Si distribuisce un modello in un endpoint online gestito e si usa un'implementazione blu-verde per testare una nuova versione prima di spostarvi il traffico di produzione.
  • Risolvi gli errori di distribuzione e di calcolo dei punteggi controllando i dettagli della distribuzione e i log dei container.
  • È possibile mantenere disponibile la distribuzione precedente in modo da poter eseguire il rollback reindirizzando il traffico senza modificare l'URL dell'endpoint.
  • È possibile automatizzare la registrazione, la distribuzione e il test con GitHub Actions usando le credenziali federate OIDC.
  • Si utilizzano segnali operativi e di monitoraggio dei modelli per decidere quando effettuare un ripristino, indagare o riaddestrare.

Ulteriori informazioni