ทําความเข้าใจปัญหาทางธุรกิจ
สมมติว่า คุณเป็นวิศวกรการเรียนรู้ของเครื่องที่ Proseware ซึ่งกําลังเริ่มต้นทํางานบนแอปดูแลสุขภาพใหม่ แบบจําลองการจัดประเภทโรคเบาหวานที่สร้างขึ้นโดยนักวิทยาศาสตร์ข้อมูลเป็นแบบจําลองแรกที่จะรวมเข้ากับแอป หลังจากที่คุณพูดคุยกับทีมขนาดใหญ่ปรากฎว่าเป้าหมายคือการมีหลายแบบจําลองที่รวมเข้ากับเว็บแอป
เมื่อแบบจําลองการจัดประเภทโรคเบาหวานพิสูจน์ให้เห็นว่าประสบความสําเร็จ Proseware ต้องการเพิ่มแบบจําลองการเรียนรู้ของเครื่องมากขึ้นเพื่อให้ผู้ปฏิบัติงานสามารถวินิจฉัยผู้ป่วยสําหรับโรคต่าง ๆ ได้เร็วขึ้น สําหรับทุกรุ่นใหม่ ทีมวิทยาศาสตร์ข้อมูลจะต้องสามารถทดลองในสภาพแวดล้อมที่ปลอดภัย เมื่อแบบจําลองใหม่มีความถูกต้องเพียงพอที่จะรวมเข้ากับเว็บแอป แล้ว ควรทําการทดสอบก่อนปรับใช้ไปยังจุดสิ้นสุดที่จะเรียกใช้จากเว็บแอป
เมื่อรวมกับทีม คุณตัดสินใจว่าควรใช้สภาพแวดล้อมที่แตกต่างกัน:
- Development สําหรับการทดลอง
- จัดเตรียม สําหรับการทดสอบ
- ผลิตสําหรับการปรับใช้แบบจําลองไปยังจุดสิ้นสุดการผลิต
สําหรับแต่ละสภาพแวดล้อม คุณจะสร้างพื้นที่ทํางาน Azure Machine Learning แยกต่างหาก เมื่อแยกพื้นที่ทํางานแยกกันสําหรับแต่ละสภาพแวดล้อมคุณจะสามารถปกป้องข้อมูลและทรัพยากรได้ ตัวอย่างเช่น พื้นที่ทํางานการพัฒนาจะไม่มีข้อมูลส่วนบุคคลใด ๆ จากผู้ป่วย และนักวิทยาศาสตร์ข้อมูลจะสามารถเข้าถึงพื้นที่ทํางานการพัฒนาได้เนื่องจากพวกเขาต้องการเพียงสภาพแวดล้อมสําหรับการทดลองเท่านั้นและไม่จําเป็นต้องเข้าถึงรหัสการผลิตหรือแหล่งข้อมูลใด ๆ
ในฐานะวิศวกรการเรียนรู้ของเครื่อง คุณจําเป็นต้องตรวจสอบให้แน่ใจว่าไม่ว่านักวิทยาศาสตร์ข้อมูลจะย้ายข้ามสภาพแวดล้อมได้อย่างง่ายดายหรือไม่ เมื่อแบบจําลองใหม่พร้อมที่จะปรับใช้ คุณต้องการให้แบบจําลองได้รับการฝึกและทดสอบในสภาพแวดล้อมการจัดเตรียม หลังจากทดสอบรหัส แบบจําลอง และการปรับใช้แล้ว คุณจะต้องการปรับใช้แบบจําลองในสภาพแวดล้อมการผลิต ส่วนต่างๆ ของกระบวนการนี้สามารถทําให้กระบวนการเร็วขึ้นโดยอัตโนมัติ
เมื่อต้องการทํางานกับสภาพแวดล้อม คุณจะต้อง:
- สร้างสภาพแวดล้อม ในที่เก็บ GitHub ของคุณ
- จัดเก็บข้อมูลประจําตัวของพื้นที่ทํางาน Azure Machine Learning แต่ละแห่งเป็นสภาพแวดล้อม ลับใน GitHub
- เพิ่ม ผู้ตรวจสอบที่จําเป็น ลงในสภาพแวดล้อมสําหรับ การอนุมัติจากประตู
- ใช้สภาพแวดล้อมในเวิร์กโฟลว์การดําเนินการ GitHub ของคุณ