介紹

已完成

由於有更多的數據可供使用、計算能力民主化，以及用來定型模型的演算法進步，整個組織的機器學習專案會增加。

不過，採用和擴展機器學習專案時的主要障礙之一是缺乏明確的策略和組織孤島。

MLOps

機器學習作業 或 MLOps 的目標是更有效率地從概念證明或試驗專案調整為生產環境的機器學習工作負載。

實作 MLOps 可協助您讓機器學習工作負載強大且可重現。 例如，您可以視需要監視、重新定型和重新部署模型，同時一律將模型保留在生產環境中。

MLOps 的目的是讓機器學習生命週期可調整：

1. 定型模型
2. 套件模型
3. 驗證模型
4. 部署模型
5. 監視模型
6. 重新定型模型

MLOps 需要多個角色和多個工具。 數據科學家通常會專注於與定型模型相關的所有工作，也稱為 內部迴圈。

為了封裝和部署模型，數據科學家可能需要運用 DevOps 做法來調整機器學習模型的機器學習工程師的協助。

取得定型的模型並將其部署到生產環境通常稱為 外部迴圈。 在外部迴圈中，模型會封裝、驗證、部署及監視。 當您決定模型需要重新定型時，請回到內部迴圈，對模型進行變更。

DevOps

使用 敏捷式規劃 等DevOps原則可協助小組組織工作並更快速地產生交付專案。 透過 原始檔控制，您可以協助在專案上進行共同作業。 透過 自動化 ，您可以加速機器學習生命週期。

本課程模組將介紹這些 DevOps 原則，並醒目提示兩個常用的工具： Azure DevOps 和 GitHub。

學習目標

在本課程模組中，您將瞭解：

• 為什麼 DevOps 適用於機器學習專案。
• 哪些 DevOps 準則可以套用至機器學習專案。
• 如何將 Azure DevOps 和 GitHub 與 Azure Machine Learning 連線。