Explore a arquitetura da solução

  • 4 minutos

É importante entender o quadro geral antes de avançar com a implementação para garantir que todos os requisitos sejam atendidos. Queremos também garantir que a abordagem seja facilmente adaptável no futuro. O foco deste exercício é começar a usar o GitHub Actions como a ferramenta de orquestração e automação para a estratégia de operações de aprendizado de máquina (MLOps) definida na arquitetura da solução.

Diagram of machine learning operations architecture.

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:

  1. Configuração: crie todos os recursos necessários do Azure para a solução.
  2. Desenvolvimento do modelo (loop interno): Explore e processe os dados para treinar e avaliar o modelo.
  3. Integração contínua: Empacotar e registrar o modelo.
  4. Implantação do modelo (loop externo): implante o modelo.
  5. Implantação contínua: teste o modelo e promova para o ambiente de produção.
  6. Monitoramento: Monitore o desempenho do modelo e do ponto final.

Especificamente, vamos automatizar a parte de treinamento do desenvolvimento do modelo, ou loop interno, o que nos permitirá treinar e registrar rapidamente vários modelos para implantação em ambientes de preparação e produção.

O espaço de trabalho do Azure Machine Learning, a computação do Azure Machine Learning e o repositório GitHub foram criados para você pela equipe de infraestrutura.

Além disso, o código para treinar o modelo de classificação está pronto para produção e os dados necessários para treinar o modelo estão disponíveis em um Armazenamento de Blob do Azure conectado ao espaço de trabalho do Azure Machine Learning.

Sua implementação permitirá que a mudança do loop interno para externo seja um processo automatizado que acontece sempre que um cientista de dados envia um novo código de modelo para o repositório GitHub, permitindo a entrega contínua de modelos de aprendizado de máquina para consumidores downstream do modelo, como o aplicativo da web que usará o modelo de classificação de diabetes.