总结
在本模块中，你在 Azure 机器学习中将一个训练好的模型从注册阶段推进到自动部署，再到生产监控。
你学到的内容
- 你可以注册并版本化 MLflow 模型，然后存档不再需要出现在默认列表中的版本。
- 你将探索连接模型开发与部署、自动化和监控的 MLOps 各个阶段。
- 使用受保护的GitHub环境来限定部署访问权限的范围，并在生产升级之前需要批准。
- 你将模型部署到托管在线终结点，并使用蓝绿推出策略在将生产流量切换到新版本之前对其进行测试。
- 通过检查部署详细信息和容器日志，对部署和评分失败进行故障排除。
- 保持先前部署的可用状态，这样你就可以通过重定向流量进行回滚，而无需更改终结点 URL。
- 使用 OIDC 联合凭据，借助 GitHub Actions 自动执行注册、部署和测试。
- 使用操作和模型监控信号来确定何时回滚、调查或重新训练。