Resumo
Neste módulo, seguiste um modelo treinado desde o registo até à implementação automatizada e monitorização de produção no Azure Machine Learning.
O que aprendeste
- Registas e versionas os modelos MLflow, depois arquivas as versões que já não precisam de aparecer nas listas predefinidas.
- Explora as fases MLOps que ligam o desenvolvimento do modelo à implementação, automação e monitorização.
- Utiliza-se ambientes GitHub protegidos para definir o acesso à implementação e exigir aprovação antes da promoção em produção.
- Implementas um modelo num endpoint online gerido e usas um lançamento azul-verde para testar uma nova versão antes de transferir o tráfego de produção para ela.
- Diagnostica falhas de implementação e pontuação verificando detalhes de implementação e registos de contentores.
- Mantém a implementação anterior disponível para poderes reverter a implementação redirecionando o tráfego sem alterar o URL do endpoint.
- Automatiza o registo, implementação e testes com o GitHub Actions usando credenciais federadas OIDC.
- Utiliza-se sinais operacionais e de monitorização de modelos para decidir quando reverter, investigar ou retreinar.
Mais informações
- Implementar modelos MLflow no Azure Machine Learning
- Implementar modelos de machine learning em pontos finais online
- Implementação segura para terminais online
- Ligue GitHub Actions ao Azure com OpenID Connect
- Monitorizar pontos finais online
- Monitorizar o desempenho dos modelos implementados em produção