Introdução
Imagine que você é um engenheiro de aprendizado de máquina, encarregado de levar um modelo do desenvolvimento à produção. Para treinar, testar e implantar um modelo de aprendizado de máquina, é melhor usar ambientes como parte de sua estratégia de operações de aprendizado de máquina (MLOps).
Depois que um cientista de dados tiver treinado e testado o modelo, você desejará implantá-lo, testar a implantação e, finalmente, implantar o modelo na produção, onde será consumido em grande escala. De acordo com as práticas de desenvolvimento de software, estas tarefas devem ser executadas em diferentes ambientes. Usando ambientes como um ambiente de desenvolvimento, preparação e produção, você pode separar o fluxo de trabalho MLOps.
Para criar ambientes diferentes, você pode criar diferentes espaços de trabalho do Azure Machine Learning vinculados a ambientes GitHub separados. Usando o GitHub Actions, você pode automatizar fluxos de trabalho entre ambientes, adicionando aprovações fechadas para mitigar riscos.
Objetivos de aprendizagem
Neste módulo, irá saber como:
- Configure ambientes no GitHub.
- Use ambientes no GitHub Actions.
- Adicione aprovações para atribuir os revisores necessários antes de mover o modelo para o próximo ambiente.