Korzystanie z metodyki MLOps w usłudze Azure Machine Learning

Metodyka MLOps (operacje uczenia maszynowego) jest oparta na zasadach i rozwiązaniach Metodyki DevOps, które zwiększają wydajność przepływu pracy, takie jak ciągła integracja, dostarczanie i wdrażanie. Metodyka MLOps stosuje te zasady do procesu uczenia maszynowego w celu:

• Szybciej eksperymentuj i twórz modele.
• Szybciej wdrażaj modele w środowisku produkcyjnym.
• Przećwiczyć i udoskonalić kontrolę jakości.

Usługa Azure Machine Learning oferuje następujące możliwości metodyki MLOps:

• Tworzenie powtarzalnych potoków. Potoki uczenia maszynowego umożliwiają definiowanie powtarzalnych i wielokrotnego użytku kroków dla procesów przygotowywania, trenowania i oceniania danych.
• Tworzenie środowisk oprogramowania wielokrotnego użytku na potrzeby trenowania i wdrażania modeli.
• Rejestrowanie, pakowanie i wdrażanie modeli z dowolnego miejsca. Możesz śledzić skojarzone metadane wymagane do korzystania z modelu.
• Przechwyć dane ładu dla kompleksowego cyklu życia. Zarejestrowane informacje mogą obejmować osoby publikujące modele, przyczynę wprowadzenia zmian oraz sposób wdrażania lub użycia modeli w środowisku produkcyjnym.
• Powiadamianie i powiadamianie o zdarzeniach w cyklu życia. Możesz na przykład uzyskać alerty dotyczące ukończenia eksperymentu, rejestracji modelu, wdrożenia modelu i wykrywania dryfu danych.
• Monitorowanie aplikacji pod kątem problemów związanych z operacjami i uczeniem maszynowym. Porównaj dane wejściowe modelu między trenowaniem i wnioskowaniem, eksplorowanie metryk specyficznych dla modelu oraz zapewnianie monitorowania i alertów w infrastrukturze uczenia maszynowego.
• Automatyzacja kompleksowego cyklu życia uczenia maszynowego za pomocą usług Azure Machine Learning i Azure Pipelines. Za pomocą potoków można często aktualizować modele, testować nowe modele i stale wdrażać nowe modele uczenia maszynowego wraz z innymi aplikacjami i usługami.

Najlepsze rozwiązania dotyczące metodyki MLOps z usługą Azure Machine Learning

Modele różnią się od kodu, ponieważ mają organiczny okres ważności i będą się pogarszać, chyba że zostaną utrzymane. Po ich wdrożeniu mogą one dodać rzeczywistą wartość biznesową i staje się to łatwiejsze, gdy analitycy danych otrzymują narzędzia do wdrażania standardowych praktyk inżynieryjnych.

Metodyka MLOps z platformą Azure ułatwia:

• Tworzenie powtarzalnych modeli i potoków trenowania wielokrotnego użytku.
• Upraszczanie tworzenia, walidacji i wdrażania modeli na potrzeby kontroli jakości i testowania a/B.
• Wyjaśnij i obserwuj zachowanie modelu oraz zautomatyzuj proces ponownego trenowania.

Metodyka MLOps poprawia jakość i spójność rozwiązań uczenia maszynowego. Aby dowiedzieć się więcej o sposobie używania usługi Azure Machine Learning do zarządzania cyklem życia modeli, zobacz MLOps: zarządzanie modelami, wdrażanie i monitorowanie za pomocą usługi Azure Machine Learning.

Następne kroki

Dowiedz się więcej, czytając i eksplorując następujące zasoby:

• Metodyka MLOps: zarządzanie modelami, wdrażanie i monitorowanie za pomocą usługi Azure Machine Learning
• Jak i gdzie wdrażać modele za pomocą usługi Azure Machine Learning
• Samouczek: wdrażanie modelu klasyfikacji obrazów w Azure Container Instances
• Kompleksowe repozytorium przykładów MLOps
• Ciągła integracja/ciągłe wdrażanie modeli uczenia maszynowego za pomocą usługi Azure Pipelines
• Tworzenie klientów korzystających z wdrożonego modelu
• Uczenie maszynowe na dużą skalę
• Architektury referencyjne i najlepsze rozwiązania dotyczące platformy Azure AI — repozytorium