Введение

  • 3 мин

Развертывание обученной модели машинного обучения является лишь серединой жизненного цикла модели. После развертывания вам по-прежнему нужно безопасно вводить модель в эксплуатацию и отслеживать, как она ведет себя в рабочей среде. Этот модуль проходит по этому пути, от регистрации обученной модели до мониторинга после того, как он будет обслуживать динамический трафик.

В Proseware, Inc., технологической компании в сфере здравоохранения, вы работаете с командой специалистов по анализу данных, которая обучает модель классификации, чтобы предсказывать, пропустит ли пациент предстоящий приём в клинике. Сотрудники клиники хотят использовать эти оценки риска неявки, чтобы решать, кому заранее звонить для подтверждения, сокращая число впустую пропадающих окон для приёма. Ваша работа в качестве инженера машинного обучения заключается в том, чтобы взять обученную модель из команды обработки и анализа данных и получить ее надежную работу в рабочей среде, с повторяемым автоматизированным процессом, который команда может доверять по мере развития модели.

В этом модуле вы узнаете, как регистрировать версии модели MLflow и управлять ими в Машинное обучение Azure. Вы развертываете и устраняете неполадки управляемой сетевой конечной точки, а затем безопасно повышаете или откатываете версию модели. Вы используете GitHub environments для защиты вывода изменений в рабочую среду и GitHub Actions для автоматизации развертывания. Вы также узнаете, как сигналы мониторинга помогают направлять расследование и переобучение.

К концу этого модуля вы сможете провести модель MLflow через весь процесс — от регистрации до автоматизированного развертывания и последующего мониторинга в Машинное обучение Azure.

Цели обучения

В этом модуле вы узнаете, как:

  • Регистрируйте, версионируйте и архивируйте модели MLflow на протяжении всего их жизненного цикла.
  • Используйте среды GitHub, чтобы управлять доступом и требовать утверждения перед развертыванием в рабочую среду.
  • Развертывание и устранение неполадок управляемой сетевой конечной точки, безопасное повышение уровня модели и откат к предыдущей версии.
  • Автоматизация развертывания и тестирования модели с помощью GitHub Actions.
  • Отслеживайте развернутую модель и распознайте сигналы, которые вызывают расследование или переобучение.