Introdução

  • 5 minutos

Há um aumento nos projetos de aprendizado de máquina em todas as organizações devido à disponibilidade de mais dados, à democratização do poder computacional e ao avanço dos algoritmos usados para treinar modelos.

No entanto, um dos principais obstáculos ao adotar e escalar projetos de machine learning é a falta de uma estratégia clara e silos organizacionais.

MLOps

As operações de aprendizado de máquina ou MLOps visam escalar de forma mais eficiente de uma prova de conceito ou projeto piloto para uma carga de trabalho de aprendizado de máquina em produção.

A implementação de MLOps ajuda você a tornar suas cargas de trabalho de aprendizado de máquina robustas e reproduzíveis. Por exemplo, você poderá monitorar, treinar novamente e reimplantar um modelo sempre que necessário, mantendo sempre um modelo em produção.

O objetivo do MLOps é tornar o ciclo de vida do aprendizado de máquina escalável:

  1. Preparar o modelo
  2. Modelo de embalagem
  3. Validar modelo
  4. Implementar o modelo
  5. Modelo de monitorização
  6. Modelo de retreinamento

Machine learning lifecycle

O MLOps requer várias funções e várias ferramentas. Os cientistas de dados geralmente se concentram em todas as tarefas relacionadas ao treinamento do modelo, também conhecido como loop interno.

Para empacotar e implantar o modelo, os cientistas de dados podem precisar da ajuda de engenheiros de aprendizado de máquina que aplicam práticas de DevOps para dimensionar os modelos de aprendizado de máquina.

Pegar um modelo treinado e implantá-lo na produção é muitas vezes chamado de loop externo. No loop externo, o modelo é empacotado, validado, implantado e monitorado. Quando você decide que o modelo precisa ser retreinado, você volta para o loop interno para fazer alterações no modelo.

DevOps

Usar princípios de DevOps, como o planejamento ágil, pode ajudar sua equipe a organizar seu trabalho e produzir entregas mais rapidamente. Com o controle do código-fonte, você pode facilitar a colaboração em projetos. E com a automação você pode acelerar o ciclo de vida do aprendizado de máquina.

Este módulo apresentará esses princípios de DevOps e destacará duas ferramentas comumente usadas: Azure DevOps e GitHub.

Objetivos de aprendizagem

Neste módulo, vai aprender:

  • Por que o DevOps é útil para projetos de aprendizado de máquina.
  • Quais princípios de DevOps podem ser aplicados a projetos de aprendizado de máquina.
  • Como conectar o Azure DevOps e o GitHub ao Azure Machine Learning.