MLOps com o Azure Machine Learning

MLOps (operações de aprendizado de máquina) baseia-se em princípios e práticas DevOps que aumentam a eficiência do fluxo de trabalho, como integração contínua, entrega e implantação. O MLOps aplica esses princípios ao processo de aprendizado de máquina para:

• Experimentar e desenvolver modelos com mais rapidez.
• Implantar modelos na produção mais rapidamente.
• Praticar e refinar o controle de qualidade.

O Azure Machine Learning fornece as seguintes funcionalidades de MLOps:

• Criar pipelines de reproduzíveis. Os pipelines de aprendizado de máquina permitem que você defina etapas reproduzíveis e reutilizáveis para os processos de preparação de dados, treinamento e pontuação.
• Criar ambientes de software reutilizáveis para treinamento e implantação de modelos.
• Registrar, empacotar e implantar modelos de qualquer lugar. É possível acompanhar os metadados associados necessários para usar o modelo.
• Capturar os dados de governança para o ciclo de vida de ponta a ponta. As informações registradas podem incluir quem publica modelos, por que as alterações foram feitas e quando os modelos foram implantados ou usados em produção.
• Notificar e alertar sobre eventos no ciclo de vida. Por exemplo, é possível receber alertas para conclusão do experimento, o registro do modelo, a implantação do modelo e a detecção de descompasso de dados.
• Monitorar os aplicativos para problemas operacionais e relacionados ao aprendizado de máquina. Comparar as entradas de modelo entre treinamento e inferência, explorar métricas específicas de modelo e fornecer monitoramento e alertas em sua infraestrutura de aprendizado de máquina.
• Automatizar, de ponta a ponta, o ciclo de vida de aprendizado de máquina com o Azure Machine Learning e o Azure Pipelines. Com pipelines, você pode atualizar modelos com frequência, testar novos modelos e distribuir continuamente novos modelos de aprendizado de máquina junto com outros aplicativos e serviços.

Melhores práticas para MLOps com Azure Machine Learning

Os modelos diferem do código porque têm uma vida útil orgânica e ficarão deteriorados, a menos que sejam mantidos. Depois de implantados, eles podem adicionar valor comercial real, e isso fica mais fácil quando os cientistas de dados recebem as ferramentas para adotar as práticas de engenharia padrão.

O MLOps com o Azure ajuda você a:

• Criar modelos reproduzíveis e pipelines de treinamento reutilizáveis.
• Simplificar o empacotamento, a validação e a implantação de modelos para controle de qualidade e testes a/B.
• Explicar e observar o comportamento do modelo e automatize o processo de readaptação.

O MLOps melhora a qualidade e a consistência de suas soluções de aprendizado de máquina. Para saber mais sobre como usar o Azure Machine Learning para gerenciar o ciclo de vida de seus modelos, consulte MLOps: gerenciamento de modelos, implantação e monitoramento com Azure Machine Learning.

Próximas etapas

Saiba mais ao ler e explorar os seguintes recursos:

• MLOps: gerenciamento, implantação e monitoramento de modelos com o Azure Machine Learning
• Como e onde implantar modelos com o Azure Machine Learning
• Tutorial: Implantar um modelo de classificação de imagem em Instâncias de Contêiner do Azure
• Repositório de exemplos de MLOps de ponta a ponta
• CI/CD de modelos de aprendizado de máquina com Azure Pipelines
• Criar clientes que consomem um modelo implantado
• Aprendizado de máquina em escala
• Repositório de melhores práticas e arquiteturas de referência da IA do Azure