Sammanfattning
I den här modulen tog du en tränad modell från registrering via automatiserad distribution till produktionsövervakning i Azure Machine Learning.
Det här har du lärt dig
- Du registrerar och version MLflow-modeller och arkiverar sedan versioner som inte längre behöver visas i standardlistor.
- Du utforskar MLOps-faserna som ansluter modellutveckling till distribution, automatisering och övervakning.
- Du använder skyddade GitHub miljöer för att begränsa distributionsåtkomsten och kräva godkännande före produktionshöjning.
- Du distribuerar en modell till en hanterad onlineslutpunkt och använder en blågrön distribution för att testa en ny version innan du flyttar produktionstrafiken till den.
- Du felsöker distributions- och bedömningsfel genom att kontrollera distributionsinformation och containerloggar.
- Du har den tidigare distributionen tillgänglig så att du kan återställa genom att omdirigera trafik utan att ändra slutpunkts-URL:en.
- Du automatiserar registrering, distribution och testning med GitHub Actions med hjälp av OIDC-federerade autentiseringsuppgifter.
- Du använder drift- och modellövervakningssignaler för att bestämma när du ska återställa, undersöka eller träna om.