Konfigurowanie metodyki MLOps za pomocą usługi Azure DevOps

DOTYCZY: Rozszerzenie interfejsu wiersza polecenia platformy Azure w wersji 2 (current)Zestaw PYTHON SDK azure-ai-ml v2 (bieżąca)

Usługa Azure Machine Edukacja umożliwia integrację z potokiem usługi Azure DevOps w celu zautomatyzowania cyklu życia uczenia maszynowego. Niektóre operacje, które można zautomatyzować, to:

• Wdrażanie infrastruktury usługi Azure Machine Edukacja
• Przygotowywanie danych (wyodrębnianie, przekształcanie, operacje ładowania)
• Trenowanie modeli uczenia maszynowego przy użyciu skalowania na żądanie i skalowania w górę
• Wdrażanie modeli uczenia maszynowego jako publicznych lub prywatnych usług internetowych
• Monitorowanie wdrożonych modeli uczenia maszynowego (na przykład na potrzeby analizy wydajności)

W tym artykule dowiesz się więcej na temat używania usługi Azure Machine Edukacja do konfigurowania kompleksowego potoku metodyki MLOps, który uruchamia regresję liniową w celu przewidywania opłat za taksówkę w Nowym Jorku. Potok składa się ze składników, z których każda obsługuje różne funkcje, które można zarejestrować w obszarze roboczym, wersjonowanym i ponownie używanym przy użyciu różnych danych wejściowych i wyjściowych. Zamierzasz używać zalecanej architektury platformy Azure dla metodyki MLOps i akceleratora rozwiązań AzureMLOps (wersja 2), aby szybko skonfigurować projekt MLOps w usłudze Azure Machine Edukacja.

Napiwek

Zalecamy zapoznanie się z niektórymi z zalecanych architektur platformy Azure dla metodyki MLOps przed wdrożeniem dowolnego rozwiązania. Musisz wybrać najlepszą architekturę dla danego projektu uczenia maszynowego.

Wymagania wstępne

• Subskrypcja platformy Azure. Jeśli nie masz subskrypcji platformy Azure, przed rozpoczęciem utwórz bezpłatne konto. Wypróbuj bezpłatną lub płatną wersję usługi Azure Machine Edukacja.
• Obszar roboczy usługi Azure Machine Learning.
• Usługa Git uruchomiona na komputerze lokalnym.
• Organizacja w usłudze Azure DevOps.
• Projekt usługi Azure DevOps, który będzie hostować repozytoria źródłowe i potoki.
• Rozszerzenie Terraform dla usługi Azure DevOps, jeśli używasz usługi Azure DevOps i narzędzia Terraform do uruchamiania infrastruktury

Uwaga

Wymagana jest usługa Git w wersji 2.27 lub nowszej. Aby uzyskać więcej informacji na temat instalowania polecenia Git, zobacz https://git-scm.com/downloads i wybierz system operacyjny

Ważne

Polecenia interfejsu wiersza polecenia w tym artykule zostały przetestowane przy użyciu powłoki Bash. Jeśli używasz innej powłoki, mogą wystąpić błędy.

Konfigurowanie uwierzytelniania za pomocą platformy Azure i usługi DevOps

Przed skonfigurowaniem projektu MLOps przy użyciu usługi Azure Machine Edukacja należy skonfigurować uwierzytelnianie dla usługi Azure DevOps.

Tworzenie jednostki usługi

Aby korzystać z pokazu, wymagane jest utworzenie jednej lub dwóch zasad usługi, w zależności od liczby środowisk, na których chcesz pracować (Deweloperzy lub Prod lub Oba). Te zasady można utworzyć przy użyciu jednej z następujących metod:

Tworzenie z poziomu usługi Azure Cloud Shell

1. Uruchom usługę Azure Cloud Shell.

   Napiwek

   Po pierwszym uruchomieniu usługi Cloud Shell zostanie wyświetlony monit o utworzenie konta magazynu dla usługi Cloud Shell.

2. Jeśli zostanie wyświetlony monit, wybierz pozycję Bash jako środowisko używane w usłudze Cloud Shell. Możesz również zmienić środowiska na liście rozwijanej na górnym pasku nawigacyjnym

   

3. Skopiuj następujące polecenia powłoki bash na komputer i zaktualizuj zmienne projectName, subscriptionId i środowiskowe przy użyciu wartości projektu. Jeśli tworzysz zarówno środowisko deweloperskie, jak i prod, musisz uruchomić ten skrypt raz dla każdego środowiska, tworząc jednostkę usługi dla każdego z nich. To polecenie przyzna również rolę Współautor jednostce usługi w podanej subskrypcji. Jest to wymagane, aby usługa Azure DevOps prawidłowo korzystała z zasobów w tej subskrypcji.

   projectName="<your project name>"
   roleName="Contributor"
   subscriptionId="<subscription Id>"
   environment="<Dev|Prod>" #First letter should be capitalized
   servicePrincipalName="Azure-ARM-${environment}-${projectName}"
   # Verify the ID of the active subscription
   echo "Using subscription ID $subscriptionID"
   echo "Creating SP for RBAC with name $servicePrincipalName, with role $roleName and in scopes     /subscriptions/$subscriptionId"
   az ad sp create-for-rbac --name $servicePrincipalName --role $roleName --scopes /subscriptions/$subscriptionId
   echo "Please ensure that the information created here is properly save for future use."
   

4. Skopiuj edytowane polecenia do usługi Azure Shell i uruchom je (Ctrl + Shift + v).

5. Po uruchomieniu tych poleceń zostaną wyświetlone informacje dotyczące jednostki usługi. Zapisz te informacje w bezpiecznej lokalizacji. Zostanie ona użyta w dalszej części pokazu w celu skonfigurowania usługi Azure DevOps.

   {
      "appId": "<application id>",
      "displayName": "Azure-ARM-dev-Sample_Project_Name",
      "password": "<password>",
      "tenant": "<tenant id>"
   }
   

6. Powtórz krok 3 , jeśli tworzysz jednostki usługi dla środowisk deweloperskich i prod. W tym pokazie utworzymy tylko jedno środowisko, czyli Prod.

7. Zamknij usługę Cloud Shell po utworzeniu jednostek usługi.

Tworzenie za pomocą witryny Azure Portal

1. Przejdź do obszaru rejestracje aplikacja systemu Azure

2. Wybierz Nowa rejestracja.

   

3. Zapoznaj się z procesem tworzenia zasady usługi (SP) wybierania kont w dowolnym katalogu organizacyjnym (dowolny katalog firmy Microsoft — multitenant) i nadaj mu nazwę Azure-ARM-Dev-ProjectName. Po utworzeniu powtórz i utwórz nową nazwę SP o nazwie Azure-ARM-Prod-ProjectName. Zastąp ciąg ProjectName nazwą projektu, aby można było jednoznacznie zidentyfikować jednostkę usługi.

4. Przejdź do pozycji Certyfikaty i wpisy tajne i dodaj dla każdego wpisu tajnego nowego klienta sp, a następnie zapisz wartość i wpis tajny oddzielnie.

5. Aby przypisać niezbędne uprawnienia do tych podmiotów zabezpieczeń, wybierz odpowiednią subskrypcję i przejdź do pozycji Zarządzanie dostępem i tożsamościami. Wybierz pozycję +Dodaj , a następnie wybierz pozycję Dodaj przypisanie roli.

   

6. Wybierz pozycję Współautor i dodaj członków wybierając pozycję + Wybierz członków. Dodaj element członkowski Azure-ARM-Dev-ProjectName jako utwórz wcześniej.

   

7. Powtórz ten krok, jeśli wdrożysz usługę Dev i Prod w tej samej subskrypcji, w przeciwnym razie zmienisz subskrypcję prod i powtórz je za pomocą polecenia Azure-ARM-Prod-ProjectName. Podstawowa konfiguracja sp została ukończona pomyślnie.

Konfigurowanie usług Azure DevOps

1. Przejdź do usługi Azure DevOps.

2. Wybierz pozycję Utwórz nowy projekt (nadaj projektowi mlopsv2 nazwę dla tego samouczka).

   

3. W projekcie w obszarze Projekt Ustawienia (w lewym dolnym rogu strony projektu) wybierz pozycję Połączenie usługi.

4. Wybierz pozycję Utwórz Połączenie usługi.

   

5. Wybierz pozycję Azure Resource Manager, wybierz pozycję Dalej, wybierz pozycję Jednostka usługi (ręcznie), wybierz pozycję Dalej i wybierz subskrypcję poziomu zakresu.

   • Nazwa subskrypcji — użyj nazwy subskrypcji, w której jest przechowywana jednostka usługi.
   • Identyfikator subskrypcji — użyj subscriptionId danych wejściowych w kroku 1 jako identyfikatora subskrypcji
   • Identyfikator jednostki usługi — użyj danych wyjściowych appId z kroku 1 jako identyfikatora jednostki usługi
   • Klucz jednostki usługi — użyj danych wyjściowych password z kroku 1 jako klucza jednostki usługi
   • Identyfikator dzierżawy — użyj danych wyjściowych tenant z kroku 1 jako identyfikatora dzierżawy

6. Nadaj połączeniu usługi nazwę Azure-ARM-Prod.

7. Wybierz pozycję Udziel uprawnień dostępu do wszystkich potoków, a następnie wybierz pozycję Weryfikuj i Zapisz.

Konfiguracja usługi Azure DevOps została zakończona pomyślnie.

Konfigurowanie repozytorium źródłowego za pomocą usługi Azure DevOps

1. Otwieranie projektu utworzonego w usłudze Azure DevOps

2. Otwórz sekcję Repozytoria i wybierz pozycję Importuj repozytorium

   

3. Wprowadź https://github.com/Azure/mlops-v2-ado-demo wartość w polu Klonuj adres URL. Wybierz pozycję Importuj w dolnej części strony

   

4. Otwórz ustawienia projektu w dolnej części okienka nawigacji po lewej stronie

5. W sekcji Repozytoria wybierz pozycję Repozytoria. Wybierz repozytorium utworzone w poprzednim kroku Wybierz kartę Zabezpieczenia

6. W sekcji Uprawnienia użytkownika wybierz użytkownika usługi kompilacji mlopsv2. Zmień uprawnienie Współtworzenie uprawnienia Zezwalaj i Utwórz gałąź na Zezwalaj.

7. Otwórz sekcję Potoki w okienku nawigacji po lewej stronie i wybierz 3 pionowe kropki obok przycisku Utwórz potoki . Wybierz pozycję Zarządzaj zabezpieczeniami

   

8. Wybierz konto usługi mlopsv2 Build Service dla projektu w sekcji Użytkownicy. Zmień uprawnienie Edytuj potok kompilacji na Zezwalaj

   

Uwaga

Spowoduje to zakończenie sekcji wymagań wstępnych i odpowiednie wdrożenie akceleratora rozwiązania.

Wdrażanie infrastruktury za pośrednictwem usługi Azure DevOps

Ten krok umożliwia wdrożenie potoku trenowania w obszarze roboczym usługi Azure Machine Edukacja utworzonym w poprzednich krokach.

Napiwek

Przed wyewidencjonowania repozytorium MLOps w wersji 2 i wdrożenia infrastruktury upewnij się, że rozumiesz wzorce architektury akceleratora rozwiązań. W przykładach użyjesz klasycznego typu projektu uczenia maszynowego.

Uruchamianie potoku infrastruktury platformy Azure

1. Przejdź do repozytorium , mlops-v2-ado-demoa następnie wybierz plik config-infra-prod.yml .

   Ważne

   Upewnij się, że wybrano gałąź główną repozytorium.

   

   Ten plik konfiguracji używa przestrzeni nazw i wartości postfiksów nazw artefaktów w celu zapewnienia unikatowości. Zaktualizuj następującą sekcję w konfiguracji, aby polubić użytkownika.

    namespace: [5 max random new letters]
    postfix: [4 max random new digits]
    location: eastus
   

   Uwaga

   Jeśli korzystasz z obciążenia głębokiego Edukacja, takiego jak CV lub NLP, upewnij się, że zasoby obliczeniowe procesora GPU są dostępne w strefie wdrożenia.

2. Wybierz pozycję Zatwierdź i wypchnij kod, aby pobrać te wartości do potoku.

3. Przejdź do sekcji Potoki

   

4. Wybierz pozycję Utwórz potok.

5. Wybierz pozycję Azure Repos Git.

   

6. Wybierz repozytorium sklonowane w poprzedniej sekcji mlops-v2-ado-demo

7. Wybieranie istniejącego pliku YAML usługi Azure Pipelines

   

8. main Wybierz gałąź i wybierz pozycję mlops/devops-pipelines/cli-ado-deploy-infra.yml, a następnie wybierz pozycję Kontynuuj.

9. Uruchamianie potoku; ukończenie tego zadania potrwa kilka minut. Potok powinien utworzyć następujące artefakty:

   • Grupa zasobów dla obszaru roboczego, w tym konto magazynu, rejestr kontenerów, Szczegółowe informacje aplikacji, usługa Keyvault i sam obszar roboczy usługi Azure Machine Edukacja.
   • W obszarze roboczym jest również utworzony klaster obliczeniowy.

10. Teraz wdrażana jest infrastruktura projektu MLOps.

    Uwaga

    Nie można przenieść istniejącego repozytorium i użyć go ponownie do wymaganych ostrzeżeń dotyczących lokalizacji , mogą być ignorowane.

Przykładowy scenariusz trenowania i wdrażania

Akcelerator rozwiązań zawiera kod i dane dla kompleksowego potoku uczenia maszynowego, który uruchamia regresję liniową w celu przewidywania opłat za taksówkę w Nowym Jorku. Potok składa się ze składników, z których każda obsługuje różne funkcje, które można zarejestrować w obszarze roboczym, wersjonowanym i ponownie używanym przy użyciu różnych danych wejściowych i wyjściowych. Przykładowe potoki i przepływy pracy dla scenariuszy przetwarzanie obrazów i NLP będą miały różne kroki i kroki wdrażania.

Ten potok trenowania zawiera następujące kroki:

Przygotowywanie danych

• Ten składnik pobiera wiele zestawów danych taksówek (żółty i zielony) oraz scala/filtruje dane oraz przygotowuje zestawy danych train/val i evaluation.
• Dane wejściowe: dane lokalne w obszarze ./data/ (wiele plików CSV)
• Dane wyjściowe: pojedynczy przygotowany zestaw danych (csv) i zestawy danych train/val/test.

Train Model (Trenuj model)

• Ten składnik trenuje regresję liniową z zestawem treningowym.
• Dane wejściowe: zestaw danych trenowania
• Dane wyjściowe: Wytrenowany model (format pickle)

Ocena modelu

• Ten składnik używa wytrenowanego modelu do przewidywania opłat za taksówkę w zestawie testowym.
• Dane wejściowe: model uczenia maszynowego i testowy zestaw danych
• Dane wyjściowe: Wydajność modelu i flaga wdrażania, czy wdrożyć.
• Ten składnik porównuje wydajność modelu ze wszystkimi poprzednimi wdrożonymi modelami w nowym zestawie danych testowych i decyduje, czy promować lub nie model do środowiska produkcyjnego. Promowanie modelu w środowisku produkcyjnym odbywa się przez zarejestrowanie modelu w obszarze roboczym AML.

Rejestrowanie modelu

• Ten składnik ocenia model na podstawie dokładności przewidywań w zestawie testowym.
• Dane wejściowe: wytrenowany model i flaga wdrażania.
• Dane wyjściowe: Zarejestrowany model w usłudze Azure Machine Edukacja.

Wdrażanie potoku trenowania modelu

1. Przejdź do potoków ADO

   

2. Wybierz pozycję Nowy potok.

   

3. Wybierz pozycję Azure Repos Git.

   

4. Wybierz repozytorium sklonowane w poprzedniej sekcji mlopsv2

5. Wybieranie istniejącego pliku YAML usługi Azure Pipelines

   

6. Wybierz main jako gałąź, a następnie wybierz pozycję /mlops/devops-pipelines/deploy-model-training-pipeline.yml, a następnie wybierz pozycję Kontynuuj.

7. Zapisywanie i uruchamianie potoku

Uwaga

W tym momencie infrastruktura jest skonfigurowana i wdrożona jest pętla tworzenia prototypów architektury MLOps. Wszystko jest gotowe do przejścia do naszego wytrenowanego modelu do środowiska produkcyjnego.

Wdrażanie wytrenowanego modelu

Ten scenariusz obejmuje wstępnie utworzone przepływy pracy dla dwóch metod wdrażania wytrenowanego modelu, oceniania wsadowego lub wdrażania modelu w punkcie końcowym na potrzeby oceniania w czasie rzeczywistym. Możesz uruchomić oba te przepływy pracy, aby przetestować wydajność modelu w obszarze roboczym usługi Azure ML. W tym przykładzie będziemy używać oceniania w czasie rzeczywistym.

Wdrażanie punktu końcowego modelu uczenia maszynowego

1. Przejdź do potoków ADO

   

2. Wybierz pozycję Nowy potok.

   

3. Wybierz pozycję Azure Repos Git.

   

4. Wybierz repozytorium sklonowane w poprzedniej sekcji mlopsv2

5. Wybieranie istniejącego pliku YAML usługi Azure Pipelines

   

6. Wybierz main jako gałąź i wybierz pozycję Zarządzany punkt końcowy /mlops/devops-pipelines/deploy-online-endpoint-pipeline.yml online, a następnie wybierz pozycję Kontynuuj.

7. Nazwy punktów końcowych online muszą być unikatowe, więc zmień taxi-online-$(namespace)$(postfix)$(environment) na inną unikatową nazwę, a następnie wybierz pozycję Uruchom. Nie trzeba zmieniać wartości domyślnej, jeśli nie ulegnie awarii.

   

   Ważne

   Jeśli przebieg zakończy się niepowodzeniem z powodu istniejącej nazwy punktu końcowego online, utwórz ponownie potok zgodnie z opisem wcześniej i zmień wartość [nazwa punktu końcowego] na [nazwa punktu końcowego (liczba losowa)]

8. Po zakończeniu przebiegu zobaczysz dane wyjściowe podobne do poniższego obrazu:

   

9. Aby przetestować to wdrożenie, przejdź do karty Punkty końcowe w obszarze roboczym usługi AzureML, wybierz punkt końcowy i kliknij kartę Testuj. Aby przetestować punkt końcowy, możesz użyć przykładowych danych wejściowych znajdujących się w sklonowanym repozytorium/data/taxi-request.json.

Czyszczenie zasobów

1. Jeśli nie zamierzasz nadal używać potoku, usuń projekt usługi Azure DevOps.
2. W witrynie Azure Portal usuń grupę zasobów i wystąpienie usługi Azure Machine Edukacja.

Następne kroki

• Instalowanie i konfigurowanie zestawu Python SDK w wersji 2
• Instalowanie i konfigurowanie interfejsu wiersza polecenia języka Python w wersji 2
• Akcelerator rozwiązań usługi Azure MLOps (wersja 2) w usłudze GitHub
• Kurs szkoleniowy dotyczący metodyki MLOps przy użyciu usługi Machine Edukacja
• Dowiedz się więcej o usłudze Azure Pipelines przy użyciu usługi Azure Machine Edukacja
• Dowiedz się więcej o funkcji GitHub Actions za pomocą usługi Azure Machine Edukacja
• Wdrażanie metodyki MLOps na platformie Azure w mniej niż godzinę — wideo dotyczące akceleratora uczenia maszynowego społeczności w wersji 2