探索解决方案体系结构

  • 3 分钟

为了计划缩放和自动化，你已与多个利益干系人一起决定机器学习操作 (MLOps) 体系结构。

Diagram of machine learning operations architecture.

注意

此图是 MLOps 体系结构的简化表示形式。 若要查看更详细的体系结构，请浏览 MLOps (v2) 解决方案加速器中的各种用例。

体系结构包括：

  1. 设置：为解决方案创建所有必需的 Azure 资源。
  2. 模型开发（内部循环）：浏览并处理数据来训练和评估模型。
  3. 持续集成：打包并注册模型。
  4. 模型部署（外部循环）：部署模型。
  5. 持续部署：测试模型并提升到生产环境。
  6. 监视：监视模型和终结点性能。

对于目前的挑战来说，最重要的是完成模型的开发到部署。 这两个循环之间的步骤是打包和注册模型。 在数据科学团队训练完模型之后，必须打包模型，并将其注册到 Azure 机器学习工作区中。 注册模型后，就该部署模型了。

有多种方法可以打包模型。 查看一些选项（例如使用 pickle 文件）后，你已与数据科学团队一起决定使用 MLflow。 将模型注册为 MLflow 模型时，可以选择在 Azure 机器学习工作区中进行无代码部署。 使用无代码部署时，无需创建用于部署的评分脚本和环境。

如果要部署模型，可以选择联机终结点进行实时预测或选择批处理终结点进行批处理预测。 由于模型将与 Web 应用集成，在该应用中，从业者将输入预期获得直接响应的医疗数据，因此你可以选择将该模型部署到联机终结点。

可以在 Azure 机器学习工作区中手动部署模型。 但是，你希望将来部署更多模型。 每当重新训练模型时，你都希望轻松重新部署糖尿病分类模型。 因此，你希望尽可能自动执行模型部署。

注意

虽然自动化是 MLOps 的关键方面，但维护人工参与也至关重要。 在自动部署模型之前，最好先对其进行验证。