Explorați arhitectura soluției
Pentru a planifica scala și pentru automatizare, ați lucrat împreună cu mai mulți participanți direct interesați pentru a decide asupra unei arhitecturi de învățare programată (MLOps).
Notă
Diagrama este o reprezentare simplificată a unei arhitecturi MLOps. Pentru a vedea o arhitectură mai detaliată, explorați diferitele cazuri de utilizare din acceleratorul de soluții mlOps (v2).
Arhitectura include:
- configurare: creați toate resursele Azure necesare pentru soluție.
- Dezvoltarea modelelor (bucla interioară): explorați și procesați datele pentru a instrui și evalua modelul.
- Integrare continuă: Împachetarea și înregistrarea modelului.
- implementare model (buclă exterioară): Implementați modelul.
- implementare continuă: testați modelul și promovați-l în mediul de producție.
- monitorizarea: monitorizarea performanței modelului și punctului final.
Cel mai important pentru provocarea curentă este să luați un model de la dezvoltarea modelului la implementarea modelului. Pasul dintre aceste două bucle este să împachetați și să înregistrați modelul. După ce echipa de știință a datelor a instruit un model, este esențial să împachetați modelul și să îl înregistrați în spațiul de lucru Azure Machine Learning. După ce modelul este înregistrat, este timpul să implementați modelul.
Există mai multe abordări pentru a împacheta modelul. După ce revizuiți câteva opțiuni, cum ar fi lucrul cu fișiere pickle, ați decis cu echipa de știință a datelor să funcționeze cu MLflow. Atunci când înregistrați modelul ca model MLflow, puteți opta pentru implementarea fără cod în spațiul de lucru Azure Machine Learning. atunci când utilizați nicio implementare de cod, nu trebuie să creați scriptul de punctaj și mediul pentru ca implementarea să funcționeze.
Atunci când doriți să implementați un model, aveți posibilitatea de a alege între un punct final online pentru predicții în timp real sau un punct final de grup pentru predicții pe loturi. Deoarece modelul va fi integrat cu o aplicație web în care practicianul va introduce date medicale așteptându-se să răspundă direct, alegeți să implementați modelul la un punct final online.
Puteți implementa modelul manual în spațiul de lucru Azure Machine Learning. Cu toate acestea, vă așteptați să implementați mai multe modele în viitor. Și doriți să reimplementați cu ușurință modelul de clasificare diabet zaharat de fiecare dată când modelul a fost recalificat. Prin urmare, doriți să automatizați implementarea modelului ori de câte ori este posibil.
Notă
Deși automatizarea este un aspect critic al MLOps, este esențial să mențineți un om în buclă. Este o practică recomandată să verificați modelul înainte de a-l implementa automat.