Сводка
В этом модуле вы провели обученную модель через этапы от регистрации и автоматического развертывания до мониторинга в рабочей среде в Машинное обучение Azure.
Что вы узнали
- Вы регистрируете и версию моделей MLflow, а затем архивируете версии, которые больше не должны отображаться в списках по умолчанию.
- Вы изучите этапы MLOps, которые подключают разработку моделей к развертыванию, автоматизации и мониторингу.
- Вы используете защищённые среды GitHub, чтобы ограничить доступ к развертыванию, и требуете одобрения перед развертыванием в рабочую среду.
- Вы развертываете модель в управляемой сетевой конечной точке и используете сине-зеленый выпуск для тестирования новой версии, прежде чем переносить рабочий трафик на него.
- Вы устраняете сбои развертывания и оценки, проверяя сведения о развертывании и журналы контейнеров.
- Вы сохраняете предыдущее развертывание доступным, чтобы можно было откатить трафик, перенаправив трафик, не изменив URL-адрес конечной точки.
- Вы автоматизируете регистрацию, развертывание и тестирование с помощью GitHub Actions с помощью федеративных учетных данных OIDC.
- Вы используете сигналы операционного мониторинга и мониторинга модели, чтобы определить, когда выполнить откат, провести расследование или переобучить модель.
Узнать больше
- Развертывание моделей MLflow в Машинное обучение Azure
- Развертывание моделей машинного обучения на подключенных конечных точках
- Безопасное развертывание для сетевых конечных точек
- Подключение GitHub Actions к Azure с помощью OpenID Connect
- Отслеживать сетевые конечные точки
- Мониторинг производительности моделей, развернутых в рабочей среде