소개
학습된 기계 학습 모델을 배포하는 것은 모델 수명 주기의 중간점일 뿐입니다. 배포 후에도 모델을 안전하게 승격하고 프로덕션 환경에서 모델이 어떻게 작동하는지 계속 지켜봐야 합니다. 이 모듈은 학습된 모델 등록에서 라이브 트래픽을 제공한 후 모니터링에 이르기까지 해당 경로를 안내합니다.
의료 기술 회사인 Proseware, Inc.에서는 분류 모델을 학습하는 데이터 과학 팀과 협력하여 환자가 예정된 클리닉 약속을 놓칠 가능성이 있는지 여부를 예측합니다. 클리닉 직원은 이러한 노쇼 위험 점수를 사용하여 미리 전화할 사람을 결정하고 확인하여 낭비되는 약속 슬롯을 줄이려고 합니다. 기계 학습 엔지니어는 데이터 과학 팀에서 학습된 모델을 가져와 프로덕션 환경에서 안정적으로 실행하도록 하는 것이며, 모델이 발전함에 따라 팀이 신뢰할 수 있는 반복적이고 자동화된 프로세스를 사용합니다.
이 모듈에서는 Azure Machine Learning MLflow 모델 버전을 등록하고 관리하는 방법을 알아보세요. 관리되는 온라인 엔드포인트를 배포하고 문제를 해결한 다음 모델 버전을 안전하게 승격하거나 롤백합니다. GitHub 환경을 사용하여 프로덕션으로의 승격을 보호하고 GitHub Actions를 사용하여 배포를 자동화합니다. 또한 모니터링 신호가 조사 및 재학습을 안내하는 방법도 살펴봅니다.
이 모듈을 마치면 Azure Machine Learning 자동화된 배포 및 지속적인 모니터링을 통해 등록에서 MLflow 모델을 가져올 수 있습니다.
학습 목표
이 모듈에서는 다음 방법을 알아봅니다.
- 수명 주기 내내 MLflow 모델을 등록, 버전 및 보관합니다.
- GitHub 환경을 사용하여 액세스를 제어하고 프로덕션 승격 전에 승인을 요구합니다.
- 관리되는 온라인 엔드포인트를 배포 및 문제 해결하고, 모델을 안전하게 승격하고, 이전 버전으로 롤백합니다.
- GitHub Actions 사용하여 모델 배포 및 테스트를 자동화합니다.
- 배포된 모델을 모니터링하고 조사 또는 재학습을 요구하는 신호를 인식합니다.
참고
우리는 다른 사람들이 다른 방법으로 배우는 것을 좋아한다는 것을 알고 있습니다. 이 모듈을 비디오 기반 형식으로 완료하도록 선택하거나 콘텐츠를 텍스트 및 이미지로 읽을 수 있습니다. 텍스트는 비디오보다 더 자세한 내용을 포함하므로 경우에 따라 비디오 프레젠테이션에 대한 추가 자료로 참조할 수 있습니다.