Introduktion
Att distribuera en tränad maskininlärningsmodell är bara mittpunkten i modellens livscykel. Efter distributionen behöver du fortfarande höja upp en modell på ett säkert sätt och fortsätta att se hur den fungerar i produktion. Den här modulen går igenom den vägen, från att registrera en tränad modell till att övervaka den efter att den har hanterat livetrafik.
På Proseware, Inc., ett hälsovårdsteknikföretag, arbetar du med ett datavetenskapsteam som tränar en klassificeringsmodell för att förutsäga om en patient sannolikt kommer att missa ett kommande klinikbesök. Klinikpersonalen vill använda de här riskpoängen för uteblivande för att avgöra vilka som ska ringas upp i förväg för att bekräfta sina tider, vilket minskar antalet outnyttjade bokade tider. Ditt jobb som maskininlärningstekniker är att ta den tränade modellen från datavetenskapsteamet och få den att köras tillförlitligt i produktion, med en repeterbar, automatiserad process som teamet kan lita på när modellen utvecklas.
I den här modulen utforskar du hur du registrerar och hanterar MLflow-modellversioner i Azure Machine Learning. Du distribuerar och felsöker en hanterad onlineslutpunkt och höjer sedan upp eller återställer en modellversion på ett säkert sätt. Du använder GitHub-miljöer för att skydda befordran till produktion och GitHub Actions för att automatisera distribution. Du kan också utforska hur övervakningssignaler vägleder undersökning och omträning.
I slutet av den här modulen kan du ta en MLflow-modell från registrering via automatiserad distribution och kontinuerlig övervakning i Azure Machine Learning.
Utbildningsmål
I den här modulen lär du dig att:
- Registrera, versionshantera och arkivera MLflow-modeller genom hela deras livscykel.
- Använd GitHub miljöer för att kontrollera åtkomsten och kräva godkännande innan produktionshöjningen.
- Distribuera och felsöka en hanterad onlineslutpunkt, flytta upp en modell på ett säkert sätt och återställ till en tidigare version.
- Automatisera modelldistribution och testning med GitHub Actions.
- Övervaka en distribuerad modell och identifiera signaler som kräver undersökning eller omträning.