Explore a arquitetura da solução
Quando você trabalha em projetos menores com equipes menores, pode fazer sentido ter um espaço de trabalho do Azure Machine Learning. O único espaço de trabalho pode ser usado para tudo: para treinar, testar e implantar seu modelo. No entanto, na Proseware, você quer ter uma solução robusta e preparada para o futuro que possa ser facilmente dimensionada quando você cria e mantém vários modelos que deseja integrar com nossa aplicação web para profissionais.
Para mover um modelo de forma rápida, mas segura, do desenvolvimento para a produção, você concordou com uma arquitetura de operações de aprendizado de máquina (MLOps) de alto nível.
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.
Para trabalhar com modelos de aprendizado de máquina em larga escala, a Proseware quer usar ambientes separados para diferentes estágios. Ter ambientes separados facilitará o controle do acesso aos recursos. Cada ambiente pode ser associado a um espaço de trabalho separado do Azure Machine Learning.
Nota
Neste módulo, nos referimos à interpretação de ambientes DevOps. Observe que o Aprendizado de Máquina do Azure também usa o termo ambientes para descrever uma coleção de pacotes Python necessários para executar um script. Estes dois conceitos de ambientes são independentes um do outro. Saiba mais sobre os ambientes do Azure Machine Learning.
Para permitir que os modelos sejam testados antes de serem implantados, você deseja trabalhar com três ambientes:
O ambiente de desenvolvimento é usado para o loop interno:
- Os cientistas de dados treinam o modelo.
- O modelo é embalado e registado.
O ambiente de preparo é usado para parte do loop externo:
- Teste o código e o modelo com linting e teste de unidade.
- Implante o modelo para testar o ponto de extremidade.
O ambiente de produção é usado para outra parte do loop externo:
- Implante o modelo no ponto de extremidade de produção. O ponto de extremidade de produção é integrado com o aplicativo Web.
- Monitore o desempenho do modelo e do endpoint para acionar o retreinamento quando necessário.
Embora muitas tarefas de aprendizado de máquina possam e devam ser automatizadas, você também vai querer planejar os pontos em que deseja aprovação fechada. Quando um modelo tiver sido treinado e empacotado, você deseja notificar o cientista de dados líder para validar o modelo antes que ele seja movido para o ambiente de preparação.
Da mesma forma, depois que o modelo tiver sido testado vigorosamente no ambiente de preparação, você deseja adicionar aprovação fechada para garantir que alguém da equipe de desenvolvimento de software verifique se todos os testes foram bem-sucedidos antes de implantar seu modelo na produção.
Quando você trabalha com ambientes, a aprovação fechada permite controlar implantações de um ambiente para o outro.