Introduzione
Una sfida comune quando si sviluppano modelli di Machine Learning consiste nel preparare gli scenari di produzione. Quando si scrive codice per elaborare i dati ed eseguire il training dei modelli, si vuole che il codice sia scalabile, ripetibile e pronto per l'automazione.
Anche se i notebook sono ideali per la sperimentazione e lo sviluppo, gli script sono più adatti per i carichi di lavoro di produzione. In Azure Machine Learning è possibile eseguire uno script come processo di comando. Quando si invia un processo di comando, è possibile configurare vari parametri, ad esempio i dati di input e l'ambiente di calcolo.
Dopo l'esecuzione dello script di training come processo, è anche necessario monitorare le prestazioni del modello nel tempo. È possibile usare MLflow per tenere traccia delle metriche, dei parametri e degli artefatti direttamente dagli script. MLflow è una piattaforma open source integrata con Azure Machine Learning che consente di confrontare le esecuzioni e decidere i passaggi successivi.
Obiettivi di apprendimento
In questo modulo, imparerai a:
- Convertire un notebook in uno script.
- Testare gli script in un terminale.
- Eseguire uno script come processo di comando.
- Usare i parametri in un processo di comando.
- Usare MLflow quando si esegue uno script come processo.
- Esamina metriche, parametri, artefatti e modelli da un'esecuzione.
Per iniziare, è possibile esplorare perché gli script sono una scelta migliore rispetto ai notebook per i carichi di lavoro di Machine Learning di produzione. E come convertire i notebook esistenti in script riutilizzabili e pronti per la produzione.