共用方式為


MLOps 的 Machine Learning 登錄

本文說明 Azure 機器學習 登錄如何將機器學習資產與工作區分離,讓您跨開發、測試和生產環境使用 MLOps。 您的環境可能會因IT系統的複雜性而有所不同。 下列因素會影響您需要的環境數目和類型:

  • 安全性與合規性政策。 在訪問控制、網路架構和數據暴露方面,生產環境可能需要與開發環境隔離。
  • 訂閱。 開發環境和生產環境通常會使用個別的訂用帳戶來進行計費、預算和成本管理。
  • 區域。 您可能需要部署到不同的 Azure 區域,以支援延遲和備援需求。

在上述案例中,您可以使用不同的 Azure 機器學習 工作區進行開發、測試和生產。 此組態針對模型定型和部署提出了下列潛在挑戰:

  • 您可能需要在開發工作區中定型模型,但將其部署至生產工作區中的端點,可能位於不同的 Azure 訂用帳戶或區域中。 在此情況下,您必須能夠回溯訓練作業。 例如,如果您遇到生產部署的正確性或效能問題,您需要分析用來定型模型的計量、記錄、程式代碼、環境和數據。

  • 您可能需要使用開發工作區中的測試數據或匿名數據來開發定型管線,但使用生產工作區中的生產數據重新定型模型。 在此情況下,您可能需要比較範例與生產數據的定型計量,以確保定型優化與實際數據的表現良好。

具有登錄的跨工作區 MLOps

登錄,就像 Git 存放庫一樣,將機器學習資產與工作區分離,並將資產裝載在中央位置,使其可供組織中的所有工作區使用。

若要跨開發、測試和生產環境推廣模型,您可以從反覆開發環境中的模型開始。 當您有良好的候選模型時,就可以將它發佈至登錄。 然後可以將模型從登錄部署到不同工作區中的端點。

提示

如果您已在工作區中註冊模型,您可以將模型升級至登錄。 您也可以從訓練作業的輸出,直接在登錄中註冊模型。

若要在一個工作區中開發管線,然後在其他工作區中執行管線,請先註冊構成管線建置組塊的元件和環境。 當您提交管線作業時,計算和定型數據是每個工作區唯一的,會決定要在其中執行的工作區。

下圖顯示探勘與開發工作區之間的定型管線升級,然後訓練模型升級以測試和生產環境。

跨環境使用的管線和模型圖表。

下一步