Eksplorowanie architektury wdrażania i monitorowania
Aby utrzymać niezawodność modelu no-show w miarę jego rozwoju, zespół firmy Proseware stosuje proces operacji uczenia maszynowego (MLOps), obejmujący cały zakres działań — od konfiguracji początkowej po bieżące monitorowanie.
Uwaga
Ten diagram jest uproszczoną reprezentacją architektury MLOps. Aby zapoznać się z bardziej szczegółowym zestawem implementacji, zobacz akcelerator rozwiązań MLOps w wersji 2.
Architektura obejmuje następujące elementy:
- Konfiguracja: utwórz zasoby Azure wymagane przez rozwiązanie.
- Programowanie modelu (pętla wewnętrzna): Eksplorowanie danych i trenowanie i ocenianie modeli kandydatów.
- Ciągła integracja: pakowanie i rejestrowanie modelu.
- Wdrażanie modelu (pętla zewnętrzna): wdrażanie modelu w punkcie końcowym.
- Ciągłe wdrażanie: przetestuj wdrożenie i bezpiecznie promuj je na środowisko produkcyjne.
- Monitorowanie: śledzenie kondycji operacyjnej punktu końcowego i przewidywań modelu w czasie.
Rejestrowanie modelu jest punktem zawiasu między pierwszymi trzema etapami a ostatnimi trzema. Po tym, jak zespół ds. nauki o danych trenuje i rejestruje model, dalsza część tego modułu koncentruje się na tej drugiej połowie cyklu: przeprowadzaniu zarejestrowanego modelu przez wdrożenie, bezpieczne promowanie, automatyzację i monitorowanie.
Decydowanie o tym, co należy zautomatyzować
Poszczególne z tych etapów można wykonać ręcznie w Azure Machine Learning studio. Jednak ponieważ Proseware planuje regularnie ponownie trenować i wdrażać model przewidujący niestawienie się, zespół automatyzuje rejestrację, wdrażanie i testowanie za pomocą GitHub Actions, uruchamiając przepływ pracy za każdym razem, gdy nowa wersja modelu jest gotowa. Automatyzacja tych powtarzających się kroków umożliwia zespołowi skoncentrowanie się na przeglądaniu jakości modelu, a nie powtarzaniu poleceń wdrażania ręcznie.
Uwaga
Automatyzacja jest kluczowa dla metodyki MLOps, ale nie zastępuje osądu człowieka. Dobrą praktyką jest zapewnienie udziału człowieka w procesie decyzyjnym przy podejmowaniu decyzji, takich jak wdrożenie nowej wersji modelu do pełnej obsługi ruchu produkcyjnego lub analiza alertu z monitoringu.
Kolejna lekcja pokazuje, jak chronione środowisko GitHub zamienia ten etap przeglądu w egzekwowalną bramę wdrożenia.