Explorați arhitectura soluției

Finalizat

Atunci când lucrați la proiecte mai mici cu echipe mai mici, poate avea sens să aveți un singur spațiu de lucru Azure Machine Learning. Spațiul de lucru poate fi utilizat pentru orice: pentru a instrui, testa și implementa modelul. Cu toate acestea, la Proseware, doriți să aveți o soluție robustă și de verificare viitoare care se poate scala cu ușurință atunci când construiți și întrețineți mai multe modele pe care doriți să le integrați cu aplicația noastră web pentru practicieni.

Pentru a muta rapid, dar în siguranță un model de la dezvoltare la producție, ați convenit asupra unei arhitecturi de învățare programată de nivel înalt (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:

1. configurare: creați toate resursele Azure necesare pentru soluție.
2. Dezvoltarea modelelor (bucla interioară): explorați și procesați datele pentru a instrui și evalua modelul.
3. Integrare continuă: Împachetarea și înregistrarea modelului.
4. implementare model (buclă exterioară): Implementați modelul.
5. implementare continuă: testați modelul și promovați-l în mediul de producție.
6. monitorizarea: monitorizarea performanței modelului și punctului final.

Pentru a lucra cu modele de învățare programată la o scară largă, Proseware dorește să utilizeze medii separate pentru diferite etape. Având medii separate, va fi mai ușor să controlezi accesul la resurse. Fiecare mediu poate fi apoi asociat cu un spațiu de lucru Azure Machine Learning separat.

Notă

În acest modul, ne referim la interpretarea DevOps a mediilor. Rețineți că Azure Machine Learning utilizează, de asemenea, termenul de medii pentru a descrie o colecție de pachete Python necesare pentru a rula un script. Aceste două concepte de mediu sunt independente unul de celălalt. Aflați mai multe despre mediile Azure Machine Learning.

Pentru a permite ca modelele să fie testate înainte de implementare, doriți să lucrați cu trei medii:

Mediul de dezvoltare este utilizat pentru bucla internă:

1. Oamenii de știință de date pregătesc modelul.
2. Modelul este ambalat și înregistrat.

Mediul de tranziție este utilizat pentru o parte din bucla exterioară:

3. Testați codul și modelul cu linting și testarea unității.
4. Implementați modelul pentru a testa punctul final.

Mediul de producție este utilizat pentru o altă parte a buclei exterioare:

5. Implementați modelul la punctul final de producție. Punctul final de producție este integrat cu aplicația Web.
6. Monitorizați performanța modelului și a punctului final pentru a declanșa recalificarea atunci când este necesar.

Deși multe activități de învățare programată pot fi automatizate, se recomandă, de asemenea, să planificați punctele în care doriți aprobarea agățătorului. Atunci când un model a fost instruit și împachetat, doriți să notificați omul de știință principal pentru a valida modelul înainte de a trece la mediul de așteptare.

În mod similar, după ce modelul a fost testat puternic în mediul de testare, doriți să adăugați aprobare gated pentru a vă asigura că cineva din echipa de dezvoltare software verifică dacă toate testele au avut succes înainte de a implementa modelul pentru producție.

Atunci când lucrați cu medii, aprobarea gated vă permite să controlați implementările dintr-un mediu în altul.