探索解決方案架構

已完成

請務必先了解整體概觀，再繼續進行實作以確保符合所有需求。 我們也想要確保該方法在未來能夠輕鬆調整。 本練習的重點在於開始使用 GitHub Actions 作為解決方案架構中所定義的機器學習作業 (MLOps) 策略的協調流程和自動化工具。

注意

此圖表簡單呈現了 MLOps 架構。 若要檢視更詳細的架構，請於 MLOps (v2) 解決方案加速器中探索各種使用案例。

架構包含：

1. 設定：為解決方案建立所有必要的 Azure 資源。
2. 模型開發 (內部迴圈)：探索與處理資料來訓練與評估模型。
3. 持續整合：封裝並註冊模型。
4. 模型部署 (外部迴圈)：部署模型。
5. 持續部署：測試模型並升階至實際執行環境。
6. 監視：監視模型與端點效能。

具體來說，我們將自動化模型開發的訓練部分或內部迴圈，最終可讓我們快速訓練和註冊多個模型，以部署至預備環境和實際執行環境。

基礎結構小組已為您建立 Azure Machine Learning 工作區、Azure Machine Learning 計算和 GitHub 存放庫。

此外，用來訓練分類模型的程式碼已準備好投入生產環境，且訓練模型所需的資料可在連線至 Azure Machine Learning 工作區的 Azure Blob 儲存體取得。

您的實作可讓從內部迴圈移至外部迴圈的操作成為自動化流程，每當資料科學家將新的模型程式碼推送至 GitHub 存放庫時，就會讓機器學習模型持續傳遞至模型的下游取用者，例如將使用糖尿病分類模型的 Web 應用程式。