Eksplorowanie architektury rozwiązania

  • 4 min

Ważne jest, aby zrozumieć ogólny obraz przed przejściem do przodu z implementacją, aby upewnić się, że spełnione są wszystkie wymagania. Chcemy również zapewnić łatwe dostosowanie podejścia w przyszłości. Celem tego ćwiczenia jest rozpoczęcie korzystania z funkcji GitHub Actions jako narzędzia orkiestracji i automatyzacji strategii operacji uczenia maszynowego (MLOps) zdefiniowanej w architekturze rozwiązania.

Diagram of machine learning operations architecture.

Uwaga

Diagram jest uproszczoną reprezentacją architektury MLOps. Aby wyświetlić bardziej szczegółową architekturę, zapoznaj się z różnymi przypadkami użycia w akceleratorze rozwiązań MLOps (v2).

Architektura obejmuje następujące elementy:

  1. Konfiguracja: utwórz wszystkie niezbędne zasoby platformy Azure dla rozwiązania.
  2. Programowanie modelu (pętla wewnętrzna): Eksplorowanie i przetwarzanie danych w celu trenowania i oceniania modelu.
  3. Ciągła integracja: pakowanie i rejestrowanie modelu.
  4. Wdrażanie modelu (pętla zewnętrzna): wdrażanie modelu.
  5. Ciągłe wdrażanie: przetestuj model i podwyższ poziom do środowiska produkcyjnego.
  6. Monitorowanie: Monitorowanie wydajności modelu i punktu końcowego.

W szczególności będziemy automatyzować część szkoleniową programowania modelu lub pętlę wewnętrzną, która ostatecznie pozwoli nam szybko trenować i rejestrować wiele modeli na potrzeby wdrażania w środowiskach przejściowych i produkcyjnych.

Obszar roboczy usługi Azure Machine Edukacja, środowisko obliczeniowe usługi Azure Machine Edukacja i repozytorium GitHub zostały utworzone przez zespół infrastruktury.

Ponadto kod trenowania modelu klasyfikacji jest gotowy do produkcji, a dane potrzebne do wytrenowania modelu są dostępne w usłudze Azure Blob Storage połączonej z obszarem roboczym usługi Azure Machine Edukacja.

Implementacja umożliwi przejście z wewnętrznej do zewnętrznej pętli na zautomatyzowany proces, który występuje za każdym razem, gdy analityk danych wypycha nowy kod modelu do repozytorium GitHub, umożliwiając ciągłe dostarczanie modeli uczenia maszynowego do podrzędnych odbiorców modelu, takich jak aplikacja internetowa, która będzie używać modelu klasyfikacji cukrzycy.