Wprowadzenie

  • 3 min

Wdrażanie wytrenowanego modelu uczenia maszynowego jest tylko punktem środkowym cyklu życia modelu. Po wdrożeniu nadal trzeba bezpiecznie promować model i obserwować, jak działa w środowisku produkcyjnym. Ten moduł przeprowadzi cię przez tę ścieżkę od zarejestrowania wytrenowanego modelu do monitorowania go po obsłużeniu ruchu na żywo.

W Firmie Proseware, Inc., firmie zajmującej się technologią opieki zdrowotnej, współpracujesz z zespołem ds. nauki o danych, który szkoli model klasyfikacji, aby przewidzieć, czy pacjent może przegapić zbliżającą się wizytę w klinice. Personel kliniki chce wykorzystywać te wskaźniki ryzyka niepojawienia się pacjenta, aby decydować, do których pacjentów zadzwonić z wyprzedzeniem i potwierdzić wizytę, ograniczając liczbę niewykorzystanych terminów wizyt. Twoim zadaniem jako inżyniera uczenia maszynowego jest pobranie wytrenowanego modelu od zespołu nauki o danych i niezawodne uruchomienie go w środowisku produkcyjnym, przy powtarzalnym zautomatyzowanym procesie, któremu zespół może ufać w miarę rozwoju modelu.

W tym module dowiesz się, jak rejestrować wersje modeli MLflow i zarządzać nimi w Azure Machine Learning. Wdrażasz zarządzany internetowy punkt końcowy oraz diagnozujesz i rozwiązujesz problemy związane z nim, a następnie bezpiecznie promujesz lub wycofujesz wersję modelu. Środowiska GitHub są używane do ochrony podwyższania poziomu produkcyjnego i GitHub Actions w celu zautomatyzowania wdrażania. Poznasz również, jak sygnały monitorujące ukierunkowują badanie i ponowne trenowanie.

Po ukończeniu tego modułu będziesz w stanie przeprowadzić model MLflow od rejestracji przez zautomatyzowane wdrożenie po ciągłe monitorowanie w usłudze Azure Machine Learning.

Cele szkolenia

Z tego modułu dowiesz się, jak wykonywać następujące czynności:

  • Rejestrowanie, przechowywanie wersji i archiwizowanie modeli MLflow w całym cyklu życia.
  • Użyj środowisk GitHub, aby kontrolować dostęp i wymagać zatwierdzenia przed podwyższeniem poziomu produkcji.
  • Wdrażać zarządzany punkt końcowy online i rozwiązywać problemy z nim, bezpiecznie promować model oraz przywracać poprzednią wersję.
  • Automatyzowanie wdrażania i testowania modelu przy użyciu GitHub Actions.
  • Monitorowanie wdrożonego modelu i rozpoznawanie sygnałów, które wymagają badania lub ponownego trenowania.