evento
Junte-se a nós na FabCon Vegas
31/03, 23 - 2/04, 23
O melhor evento liderado pela comunidade Microsoft Fabric, Power BI, SQL e AI. 31 de março a 2 de abril de 2025.
Registe-se hoje mesmoEste browser já não é suportado.
Atualize para o Microsoft Edge para tirar partido das mais recentes funcionalidades, atualizações de segurança e de suporte técnico.
Este artigo descreve dois padrões comuns para mover artefatos de ML através do preparo e para a produção. A natureza assíncrona das alterações em modelos e código significa que há vários padrões possíveis que um processo de desenvolvimento de ML pode seguir.
Os modelos são criados por código, mas os artefatos de modelo resultantes e o código que os criou podem operar de forma assíncrona. Ou seja, novas versões de modelo e alterações de código podem não acontecer ao mesmo tempo. Por exemplo, considere os seguintes cenários:
Os dois padrões diferem se o artefato modelo ou o código de treinamento que produz o artefato modelo é promovido para a produção.
Na maioria das situações, o Databricks recomenda a abordagem "implantar código". Essa abordagem é incorporada ao fluxo de trabalho MLOps recomendado.
Neste padrão, o código para treinar modelos é desenvolvido no ambiente de desenvolvimento. O mesmo código é movido para o preparo e, em seguida, para a produção. O modelo é treinado em cada ambiente: inicialmente no ambiente de desenvolvimento como parte do desenvolvimento do modelo, no preparo (em um subconjunto limitado de dados) como parte dos testes de integração e no ambiente de produção (nos dados de produção completos) para produzir o modelo final.
Vantagens:
Desvantagens:
Também nesse padrão, os cientistas de dados devem ser capazes de revisar os resultados do treinamento do ambiente de produção, pois têm o conhecimento para identificar e corrigir problemas específicos de ML.
Se sua situação exigir que o modelo seja treinado em preparo sobre todo o conjunto de dados de produção, você poderá usar uma abordagem híbrida implantando código para preparação, treinando o modelo e, em seguida, implantando o modelo na produção. Essa abordagem economiza custos de treinamento na produção, mas adiciona um custo de operação extra na preparação.
Nesse padrão, o artefato do modelo é gerado pelo código de treinamento no ambiente de desenvolvimento. O artefato é então testado no ambiente de preparação antes de ser implantado na produção.
Considere esta opção quando uma ou mais das seguintes situações se aplicarem:
Vantagens:
Desvantagens:
Normalmente, um ambiente (desenvolvimento, preparação ou produção) corresponde a um catalog no Unity Catalog. Para obter detalhes sobre como implementar esse padrão, consulte o guia de atualização.
O diagrama abaixo contrasta o ciclo de vida do código para os padrões de implantação acima nos diferentes ambientes de execução.
O ambiente mostrado no diagrama é o ambiente final no qual uma etapa é executada. Por exemplo, no padrão de modelos de implantação, os testes de unidade final e integração são realizados no ambiente de desenvolvimento. No padrão de código de implantação, os testes de unidade e os testes de integração são executados nos ambientes de desenvolvimento, e os testes finais de unidade e integração são executados no ambiente de preparação.
evento
Junte-se a nós na FabCon Vegas
31/03, 23 - 2/04, 23
O melhor evento liderado pela comunidade Microsoft Fabric, Power BI, SQL e AI. 31 de março a 2 de abril de 2025.
Registe-se hoje mesmoFormação
Módulo
Gerencie o aprendizado de máquina em produção com o Azure Databricks - Training
Saiba como gerir modelos de aprendizagem automática em produção com o Azure Databricks.
Certificação
Microsoft Certified: Azure Data Scientist Associate - Certifications
Gerenciar a ingestão e a preparação de dados, o treinamento e a implantação de modelos e o monitoramento da solução de machine learning com Python, Azure Machine Learning e MLflow.