Explore a arquitetura de implementação e monitorização
Para manter o modelo de ausência fiável à medida que evolui, a equipa da Proseware segue um processo de operações de aprendizagem automática (MLOps) que abrange desde a configuração inicial até à monitorização contínua.
Nota
Este diagrama é uma representação simplificada de uma arquitetura MLOps. Para explorar um conjunto mais detalhado de implementações, consulte o acelerador de soluções MLOps v2.
A arquitetura inclui:
- Configuração: Crie os recursos Azure de que a solução precisa.
- Desenvolvimento de modelos (ciclo interno): Explorar dados, treinar e avaliar modelos candidatos.
- Integração contínua: Empacotar e registrar o modelo.
- Implementação do modelo (laço externo): Implante o modelo num endpoint.
- Implementação contínua: Teste a implementação e promova-a de forma segura para produção.
- Monitorização: Acompanhe a saúde operacional do endpoint e as previsões do modelo ao longo do tempo.
O registo de um modelo é o ponto de transição entre as três primeiras fases e as três últimas. Depois de a equipa de ciência de dados treinar e registar um modelo, o resto deste módulo foca-se nessa segunda metade do ciclo: levar um modelo registado através da implementação, promoção segura, automação e monitorização.
Decida o que automatizar
Pode realizar manualmente cada uma destas fases posteriores no Estúdio do Azure Machine Learning. No entanto, como a Proseware planeia reeducar e reimplementar regularmente o modelo de ausência de apresentação, a equipa automatiza o registo, a implementação e os testes com o GitHub Actions, ativando o fluxo de trabalho sempre que uma nova versão do modelo está pronta. Automatizar estes passos repetitivos liberta a equipa para se concentrar em rever a qualidade do modelo, em vez de repetir manualmente os comandos de implementação.
Nota
A automação é central para o MLOps, mas não substitui o julgamento humano. É uma boa prática manter a pessoa informada sobre decisões como promover uma nova versão do modelo para tráfego de produção total ou investigar um alerta de monitorização.
A unidade seguinte mostra como um ambiente GitHub protegido transforma esse ponto de revisão numa porta de implementação aplicável.