探索解決方案架構

已完成

開始之前，讓我們先探索架構以了解所有需求。 將模型帶入生產環境，表示您需要調整解決方案，並與其他小組合作。 您已決定與資料科學家、資料工程師和基礎結構小組一起使用下列方法：

• 所有資料都會儲存在資料工程師所管理的 Azure Blob 儲存體中。
• 基礎結構小組會建立必要的 Azure 資源，例如 Azure Machine Learning 工作區。
• 資料科學家將著重於內部迴圈：開發和定型模型。
• 機器學習工程師會採用定型的模型，並將其部署在外部迴圈中。

您已與更大的小組一起設計架構來實現機器學習作業 (MLOps)。

注意

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

MLOps 架構的主要目標是建立穩固且可重現的解決方案。 若要達成目的，此架構包括：

1. 安裝程式：為解決方案建立所有必要的 Azure 資源。
2. 模型開發（內部迴圈）：探索和處理數據以定型和評估模型。
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：測試模型並升階至生產環境。
6. 監視：監視模型和端點效能。

此時在您的專案中會建立 Azure Machine Learning 工作區、資料會儲存在Azure Blob 儲存體中，而資料科學小組已定型模型。

您想要藉由將模型部署至生產環境，從內部迴圈和模型開發移至外部迴圈。 因此，您必須將資料科學小組的輸出轉換成 Azure Machine Learning 中強固且可重現的管線。

確保所有程式碼都會儲存為指令碼，並以 Azure Machine Learning 作業的形式執行這些指令碼，這可讓您更輕鬆地將模型定型自動化，以及在未來重新定型模型。

資料科學小組不斷地致力於模型開發。 他們為您提供 Jupyter Notebook，其中包括下列工作：

1. 讀取和探索資料。
2. 執行特徵工程。
3. 定型模型。
4. 評估模型。

在設定過程中，基礎結構小組已建立：

5. 可供數據科學小組用於探索和實驗的 Azure Machine Learning 開發 （dev） 工作區 。
6. 工作區中的數據 資產 ，此資產是指 Azure Blob 記憶體中包含資料的資料夾。
7. 執行筆記本和腳本所需的計算資源。

您對 MLOps 所做的第一項工作是轉換來自資料科學家的工作，以便您可以輕鬆地將模型開發自動化。 雖然資料科學小組在 Jupyter Notebook 中工作，但您需要使用指令碼並使用 Azure Machine Learning 作業來執行這些指令碼。 作業的輸入將是基礎結構小組所建立的資料資產，其指向位於 Azure Blob 儲存體 (連線至 Azure Machine Learning 工作區) 上的資料。