Estágio de implantação do ciclo de vida do Processo de Ciência de Dados de Equipe

Este artigo descreve as metas, as tarefas e as entregas associadas à implantação do TDSP (Processo de Ciência de Dados da Equipe). Esse processo fornece um ciclo de vida recomendado que a sua equipe pode usar para estruturar seus projetos de ciência de dados. O ciclo de vida descreve os principais estágios que sua equipe executa, geralmente de forma iterativa:

• Noções básicas sobre negócios
• Aquisição de dados e entendimento
• Modelagem
• Implantação
• Aceitação do cliente

Esta é uma representação visual do ciclo de vida do TDSP:

Meta

O objetivo do estágio de implantação é implantar modelos com um pipeline de dados em um ambiente de produção ou semelhante à produção para aceitação do cliente final.

Como concluir a tarefa

A principal tarefa nesta etapa é operacionalizar o modelo. Implante o modelo e o pipeline em um ambiente de produção ou semelhante à produção para consumo do aplicativo.

Operacionalizar um modelo

Depois que você tiver um conjunto de modelos com um bom desempenho, eles poderão ser operacionalizados pela sua equipe para o consumo de outros aplicativos. Dependendo dos requisitos de negócios, as previsões são feitas em tempo real ou em lotes. Para implantar modelos, exponha-os com uma interface de API. Com uma interface, os usuários podem consumir facilmente o modelo de vários aplicativos, tais como:

• Sites
• Planilhas
• Dashboards
• Aplicativos de linha de negócios
• Aplicativos de back-end

Para obter exemplos de operacionalização de modelos com o Azure Machine Learning, confira Implantar modelos de machine Learning no Azure. É uma prática recomendada integrar o monitoramento no modelo de produção e no pipeline de dados implantados. Essa prática ajuda com o relatório de status do sistema e a solução de problemas subsequentes.

Integração com o MLflow

Para ajudar a dar suporte a esse estágio, você pode incorporar os seguintes recursos do Azure Machine Learning:

• Gerenciamento de modelos: para preparar uma implantação, coloque um modelo em um ambiente de produção ou operacional. O MLflow gerencia e controla versões de modelos prontos para implantação, o que ajuda a melhorar a operacionalização.

• Fornecimento e implantação de modelo: as funcionalidades de fornecimento de modelo do MLflow facilitam o processo de implantação, para que você possa fornecer facilmente modelos em vários ambientes.

Artifacts

Nesta etapa, sua equipe entrega:

• Um painel de status que exibe a integridade do sistema e as principais métricas. Recomendamos usar o Power BI para criar um painel.

• Um relatório de modelagem final com detalhes da implantação.

• Um documento de arquitetura da solução final.

Literatura revisada por pares

Os pesquisadores publicam estudos sobre o TDSP em literatura revisada por pares. As citações fornecem uma oportunidade para investigar outras aplicações ou ideias semelhantes ao TDSP, incluindo o estágio do ciclo de vida da implantação.

Colaboradores

Esse artigo é mantido pela Microsoft. Ele foi originalmente escrito pelos colaboradores a seguir.

Autor principal:

• Mark Tabladillo | Arquiteto de soluções de nuvem sênior

Para ver perfis não públicos do LinkedIn, entre no LinkedIn.

Recursos relacionados

Estes artigos descrevem os outros estágios do ciclo de vida do TDSP:

• Noções básicas sobre negócios
• Aquisição de dados e entendimento
• Modelagem
• Aceitação do cliente