簡介
部署訓練好的機器學習模型只是模型生命週期的中點。 部署後，你仍需安全地推廣模型，並持續觀察其在生產環境中的表現。 此模組將帶領您了解該途徑，從註冊已訓練完成的模型，到模型開始應用於正式流量後加以監控。
在醫療科技公司Proseware， Inc.，你與一支資料科學團隊合作，訓練分類模型，預測病人是否可能錯過即將到來的門診預約。 診所員工希望利用這些缺席風險分數來決定事先聯絡誰確認，減少浪費的預約時段。 作為機器學習工程師，你的工作是將資料科學團隊訓練好的模型，讓它在生產環境中可靠運行，並建立團隊可信賴的可重複自動化流程，隨著模型演進。
在本單元中，您將探討如何在 Azure Machine Learning 中註冊和管理 MLflow 模型版本。 您先是部署受控線上端點並進行疑難排解，然後安全地升級或復原一個模型版本。 你使用 GitHub 環境來保護生產推廣，並用 GitHub Actions 來自動化部署。 你也探討了訊號監控如何引導調查與再訓練。
在本模組結束時，你將能從註冊到自動部署，再到持續監控，在 Azure Machine Learning 中建立一個 MLflow 模型。
學習目標
在本課程單元中，您將瞭解如何：
- 在整個生命週期中註冊、進行版本管理，並將 MLflow 模型歸檔。
- 使用 GitHub 環境來控制存取權，並要求在生產升級前取得批准。
- 部署並排除受管線上端點問題，安全地推廣模型，並回滾至先前版本。
- 使用 GitHub Actions 自動化模型部署與測試。
- 監控已部署的模型，並識別需要調查或再訓練的訊號。