探索解决方案体系结构

  • 5 分钟

开始之前，我们来探索一下体系结构以了解所有要求。 将模型投入到生产意味着你需要缩放解决方案并与其他团队合作。 与数据科学家、数据工程师和基础结构团队一起，你决定使用以下方法：

  • 所有数据都将存储在由数据工程师管理的 Azure Blob 存储中。
  • 基础结构团队将创建必要的 Azure 资源，例如 Azure 机器学习工作区。
  • 数据科学家将专注于内部循环：即开发和训练模型。
  • 机器学习工程师将采用经过训练的模型，并将它部署在外部循环中。

与更大的团队一起，你设计了一个实现机器学习操作 (MLOps) 的体系结构。

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。

MLOps 体系结构的主要目标是创建可靠且可重现的解决方案。 实现此目标包括以下内容：

  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。

此时，在项目中会创建 Azure 机器学习工作区，数据将存储在 Azure Blob 存储中，并且数据科学团队已训练了模型。

你希望通过将模型部署到生产环境，从内部循环和模型开发移动到外部循环。 因此，你需要将数据科学团队的输出转换为 Azure 机器学习中可靠且可重现的管道。

通过确保将所有代码存储为脚本并将脚本作为 Azure 机器学习作业执行，从而更轻松地自动执行模型训练并在将来重新训练模型。

Diagram of showing details of model development which builds on setup.

数据科学团队一直在着手模型开发的工作。 他们给了你一个 Jupyter 笔记本，其中包括以下任务：

  1. 读取和浏览数据。
  2. 执行特征工程。
  3. 定型模型。
  4. 评估模型。

在设置过程中，基础结构团队创建了：

  1. Azure 机器学习开发 (dev) 工作区，可供数据科学团队用于探索和试验。
  2. 工作区中的数据资产，引用了包含数据的 Azure Blob 存储中的文件夹。
  3. 运行笔记本和脚本所需的计算资源。

对于 MLOps，你的第一项任务是转换数据科学家手中的工作，以便可以轻松地自动执行模型开发。 虽然数据科学团队在 Jupyter 笔记本中工作，但你需要使用脚本并使用 Azure 机器学习作业来执行这些脚本。 作业的输入将为基础结构团队创建的数据资产，该资产指向连接到 Azure 机器学习工作区的 Azure Blob 存储上的数据。