Explore a arquitetura da solução
Para planejar a escala e a automação, você trabalhou em conjunto com várias partes interessadas para decidir sobre uma arquitetura de operações de aprendizado de máquina (MLOps).
Nota
O diagrama é uma representação simplificada de uma arquitetura MLOps. Para exibir uma arquitetura mais detalhada, explore os vários casos de uso no acelerador de solução MLOps (v2).
A arquitetura inclui:
- Configuração: crie todos os recursos necessários do Azure para a solução.
- Desenvolvimento do modelo (loop interno): Explore e processe os dados para treinar e avaliar o modelo.
- Integração contínua: Empacotar e registrar o modelo.
- Implantação do modelo (loop externo): implante o modelo.
- Implantação contínua: teste o modelo e promova para o ambiente de produção.
- Monitoramento: Monitore o desempenho do modelo e do ponto final.
O mais importante para o desafio atual é levar um modelo do desenvolvimento do modelo para a implantação do modelo. O passo entre esses dois loops é empacotar e registrar o modelo. Depois que a equipe de ciência de dados tiver treinado um modelo, é essencial empacotá-lo e registrá-lo no espaço de trabalho do Azure Machine Learning. Uma vez registrado o modelo, é hora de implantá-lo.
Existem várias abordagens para empacotar o modelo. Depois de analisar algumas opções, como trabalhar com arquivos de pickle, você decidiu com a equipe de ciência de dados trabalhar com o MLflow. Ao registrar o modelo como um modelo MLflow, você pode optar pela implantação sem código no espaço de trabalho do Azure Machine Learning. Quando você usa a implantação sem código, não precisa criar o script de pontuação e o ambiente para que a implantação funcione.
Quando você deseja implantar um modelo, você pode escolher entre um ponto de extremidade online para previsões em tempo real ou um ponto de extremidade em lote para previsões em lote. Como o modelo será integrado a um aplicativo Web onde o profissional inserirá dados médicos esperando obter uma resposta direta, você opta por implantar o modelo em um endpoint online.
Você pode implantar o modelo manualmente no espaço de trabalho do Azure Machine Learning. No entanto, você espera implantar mais modelos no futuro. E você quer reimplantar facilmente o modelo de classificação de diabetes sempre que o modelo tiver sido retreinado. Portanto, você deseja automatizar a implantação do modelo sempre que possível.
Nota
Embora a automação seja um aspeto crítico do MLOps, é crucial manter um human-in-the-loop. É uma prática recomendada verificar o modelo antes de implantá-lo automaticamente.