Introduktion
Maskininlärningsprojekt i organisationer ökar på grund av att mer data är tillgängliga, demokratiseringen av beräkningskraften och utvecklingen av algoritmer som används för att träna modeller.
Ett av de största hindren vid implementering och skalning av maskininlärningsprojekt är dock bristen på en tydlig strategi och organisatoriska silor.
MLOps
Maskininlärningsåtgärder eller MLOps syftar till att mer effektivt skala från ett konceptbevis eller pilotprojekt till en maskininlärningsarbetsbelastning i produktion.
Genom att implementera MLOps kan du göra dina maskininlärningsarbetsbelastningar robusta och reproducerbara. Du kan till exempel övervaka, träna om och distribuera om en modell när det behövs samtidigt som du alltid håller en modell i produktion.
Syftet med MLOps är att göra maskininlärningslivscykeln skalbar:
- Träna en modell
- Paketmodell
- Verifiera modell
- Distribuera en modell
- Övervaka modell
- Träna om modell
MLOps kräver flera roller och flera verktyg. Dataforskare fokuserar ofta på alla uppgifter som rör träning av modellen, även kallat den inre loopen.
För att paketera och distribuera modellen kan dataexperter behöva hjälp av maskininlärningstekniker som tillämpar DevOps-metoder för att skala maskininlärningsmodellerna.
Att ta en tränad modell och distribuera den till produktion kallas ofta för den yttre loopen. I den yttre loopen paketeras modellen, verifieras, distribueras och övervakas. När du bestämmer dig för att modellen måste tränas om går du tillbaka till den inre loopen för att göra ändringar i modellen.
DevOps
Att använda DevOps-principer som flexibel planering kan hjälpa ditt team att organisera ditt arbete och producera slutprodukter snabbare. Med källkontroll kan du underlätta samarbetet i projekt. Och med automatisering kan du påskynda livscykeln för maskininlärning.
I den här modulen får du en introduktion till dessa DevOps-principer och två verktyg som används ofta: Azure DevOps och GitHub.
Utbildningsmål
I den här modulen kommer du att lära dig:
- Varför DevOps är användbart för maskininlärningsprojekt.
- Vilka DevOps-principer kan tillämpas på maskininlärningsprojekt.
- Så här ansluter du Azure DevOps och GitHub till Azure Machine Learning.