简介
部署经过训练的机器学习模型只是模型的生命周期的中间点。 部署后，仍需安全地提升模型，并持续观察模型在生产中的行为。 本模块逐步讲解该路径，从注册经过训练的模型到在为实时流量提供服务后对其进行监视。
在医疗保健科技公司 Proseware，你与一个数据科学团队合作，该团队训练分类模型来预测患者是否可能错过即将进行的诊所预约。 诊所工作人员希望利用这些爽约风险评分，决定提前给哪些患者打电话确认，从而减少被浪费的预约时段。 机器学习工程师的职责是从数据科学团队接收训练好的模型，并通过团队可以信赖的、可重复且自动化的流程，将其可靠地部署到生产环境中运行，以便在模型不断演进时仍能保持稳定。
在本模块中，你将了解如何在 Azure 机器学习 中注册和管理 MLflow 模型版本。 部署托管联机终结点并对其进行故障排除，然后安全地升级或回滚模型版本。 你使用 GitHub 环境来保护生产升级，并使用 GitHub Actions 实现部署自动化。 你还将了解监视信号如何指导调查和重新训练。
完成本模块后，你将能够在 Azure 机器学习 中将 MLflow 模型从注册推进到自动化部署和持续监控。
学习目标
在本模块中，你将了解如何：
- 在其整个生命周期内注册、版本和存档 MLflow 模型。
- 使用GitHub环境来控制访问，并在生产升级之前需要批准。
- 部署托管联机终结点并对其进行故障排除，安全地升级模型，并回滚到以前的版本。
- 使用GitHub Actions自动执行模型部署和测试。
- 监视已部署的模型并识别需要调查或重新训练的信号。