สํารวจสถาปัตยกรรมโซลูชัน
เมื่อคุณทํางานในโครงการที่มีขนาดเล็กกว่าด้วยทีมที่มีขนาดเล็กอาจสมเหตุสมผลที่จะมีพื้นที่ทํางาน Azure Machine Learning หนึ่งพื้นที่ทํางาน พื้นที่ทํางานหนึ่งรายการสามารถใช้สําหรับทุกอย่าง: เพื่อฝึก ทดสอบ และปรับใช้แบบจําลองของคุณ อย่างไรก็ตามที่ Proseware คุณต้องการมีโซลูชันที่มีประสิทธิภาพและหลักฐานในอนาคตที่สามารถปรับขนาดได้อย่างง่ายดายเมื่อคุณสร้างและรักษาหลายแบบจําลองที่คุณต้องการรวมกับแอปพลิเคชันเว็บของเราสําหรับผู้ปฏิบัติงาน
หากต้องการย้ายแบบจําลองจากการพัฒนาไปยังการผลิตอย่างรวดเร็วแต่ปลอดภัย คุณได้ตกลงกันว่าการดําเนินการเรียนรู้ของเครื่อง ระดับสูง ( สถาปัตยกรรมMLOps)
หมายเหตุ
ไดอะแกรมเป็นการแทนค่าแบบง่ายของสถาปัตยกรรม MLOps หากต้องการดูสถาปัตยกรรมโดยละเอียดเพิ่มเติม ให้สํารวจกรณีการใช้งานต่าง ๆ ตัวเร่งโซลูชัน MLOps (v2)
สถาปัตยกรรมประกอบด้วย:
- Setup: สร้างทรัพยากร Azure ที่จําเป็นทั้งหมดสําหรับโซลูชัน
- การพัฒนาแบบจําลอง (รอบภายใน): สํารวจและประมวลผลข้อมูลเพื่อฝึกและประเมินแบบจําลอง
- การรวมแบบต่อเนื่อง : แพคเกจและลงทะเบียนแบบจําลอง
- การปรับใช้แบบจําลอง (รอบนอก): ปรับใช้แบบจําลอง
- การปรับใช้แบบต่อเนื่อง: ทดสอบแบบจําลองและเลื่อนระดับไปยังสภาพแวดล้อมการผลิต
- การตรวจสอบ: ตรวจสอบแบบจําลองและประสิทธิภาพของจุดสิ้นสุด
ในการทํางานกับแบบจําลองการเรียนรู้ของเครื่องในขนาดใหญ่ Proseware ต้องการใช้สภาพแวดล้อมที่แยกต่างหากสําหรับขั้นตอนที่แตกต่างกัน การมีสภาพแวดล้อมแยกต่างหากจะทําให้ง่ายต่อการควบคุมการเข้าถึงแหล่งข้อมูล จากนั้นแต่ละสภาพแวดล้อมสามารถเชื่อมโยงกับพื้นที่ทํางาน Azure Machine Learning แยกต่างหากได้
หมายเหตุ
ในโมดูลนี้เราอ้างถึงการตีความ DevOps ของสภาพแวดล้อม โปรดทราบว่า Azure Machine Learning ยังใช้คําว่าสภาพแวดล้อมเพื่ออธิบายคอลเลกชันของแพคเกจ Python ที่จําเป็นสําหรับการเรียกใช้สคริปต์ แนวคิดสองประการเกี่ยวกับสภาพแวดล้อมเหล่านี้เป็นอิสระจากกัน เรียนรู้เพิ่มเติมเกี่ยวกับ สภาพแวดล้อม Azure Machine Learning
เพื่ออนุญาตให้แบบจําลองได้รับการทดสอบก่อนถูกปรับใช้ คุณต้องการทํางานกับสามสภาพแวดล้อม:
สภาพแวดล้อม การพัฒนา ใช้สําหรับลูปภายใน:
- นักวิทยาศาสตร์ข้อมูลฝึกแบบจําลอง
- แบบจําลองถูกรวมเป็นแพคเกจและลงทะเบียนแล้ว
สภาพแวดล้อม จัดเตรียม ใช้สําหรับส่วนของรอบนอก:
- ทดสอบโค้ดและแบบจําลองด้วยการทดสอบการซับและหน่วย
- ปรับใช้แบบจําลองเพื่อทดสอบจุดสิ้นสุด
สภาพแวดล้อม การผลิต ใช้สําหรับส่วนอื่นของลูปภายนอก:
- ปรับใช้แบบจําลองกับจุดสิ้นสุดการผลิต จุดสิ้นสุดการผลิตถูกรวมเข้ากับเว็บแอปพลิเคชัน
- ตรวจสอบแบบจําลองและประสิทธิภาพของจุดสิ้นสุดเพื่อทริกเกอร์การฝึกซ้ําเมื่อจําเป็น
แม้ว่างานการเรียนรู้ของเครื่องจํานวนมากสามารถและควรเป็นแบบอัตโนมัติแต่คุณจะต้องการวางแผนสําหรับจุดที่คุณต้องการการอนุมัติจากประตู เมื่อแบบจําลองได้รับการฝึกและจัดแพคเกจแล้ว คุณต้องการแจ้งให้นักวิทยาศาสตร์ข้อมูลลูกค้าเป้าหมายทราบเพื่อตรวจสอบแบบจําลองก่อนที่จะย้ายไปยังสภาพแวดล้อมสเตจจิ้ง
ในทํานองเดียวกัน หลังจากแบบจําลองได้รับการทดสอบอย่างเข้มงวดในสภาพแวดล้อมสเตจจิ้งแล้ว คุณต้องการเพิ่มการอนุมัติที่กั้นประตูเพื่อให้แน่ใจว่าบุคคลจากทีมพัฒนาซอฟต์แวร์ตรวจสอบว่าการทดสอบทั้งหมดประสบความสําเร็จก่อนที่จะปรับใช้แบบจําลองของคุณไปยังการผลิต
เมื่อคุณทํางานกับสภาพแวดล้อม การอนุมัติที่ปิดกั้นจะช่วยให้คุณสามารถควบคุมการปรับใช้จากสภาพแวดล้อมหนึ่งไปยังอีกสภาพแวดล้อมหนึ่งได้