Einführung

  • 3 Minuten

Die Bereitstellung eines trainierten Machine Learning-Modells ist nur der Mittelpunkt des Lebenszyklus des Modells. Nach der Bereitstellung müssen Sie ein Modell weiterhin sicher bewerben und beobachten, wie sich es in der Produktion verhält. Dieses Modul führt durch diesen Ablauf – von der Registrierung eines trainierten Modells bis zu seiner Überwachung, nachdem es Live-Traffic verarbeitet.

Bei Proseware, Inc., einem Gesundheitstechnologieunternehmen, arbeiten Sie mit einem Data Science-Team zusammen, das ein Klassifizierungsmodell trainiert, um vorherzusagen, ob ein Patient wahrscheinlich einen bevorstehenden Kliniktermin verpassen wird. Klinikmitarbeiter möchten diese No-Show-Risikobewertungen verwenden, um zu entscheiden, wer vor der Zeit anrufen und bestätigen und verschwendete Terminplätze reduzieren soll. Ihr Job als Machine Learning-Ingenieur besteht darin, das trainierte Modell aus dem Data Science-Team zu übernehmen und zuverlässig in der Produktion laufen zu lassen, mit einem wiederholbaren, automatisierten Prozess, dem das Team vertrauen kann, während sich das Modell weiterentwickelt.

In diesem Modul erfahren Sie, wie Sie MLflow-Modellversionen in Azure Machine Learning registrieren und verwalten. Sie stellen einen verwalteten Onlineendpunkt bereit, beheben Probleme damit und stufen dann eine Modellversion sicher herauf oder führen ein Rollback durch. Sie verwenden GitHub Umgebungen, um die Produktionsförderung zu schützen und GitHub Actions, um die Bereitstellung zu automatisieren. Außerdem erfahren Sie, wie Monitoring-Signale Untersuchungen und erneutes Trainieren anleiten.

Nach Abschluss dieses Moduls können Sie ein MLflow-Modell von der Registrierung über die automatisierte Bereitstellung bis hin zur laufenden Überwachung in Azure Machine Learning führen.

Lernziele

In diesem Modul lernen Sie Folgendes:

  • Registrieren, versionieren und archivieren Sie MLflow-Modelle über ihren gesamten Lebenszyklus hinweg.
  • Verwenden Sie GitHub Umgebungen, um den Zugriff zu steuern und eine Genehmigung vor der Produktionsförderung zu verlangen.
  • Bereitstellen und Beheben von Problemen bei einem verwalteten Online-Endpunkt, sicheres Höherstufen eines Modells und Zurücksetzen auf eine frühere Version.
  • Automatisieren Sie die Modellbereitstellung und -tests mit GitHub Actions.
  • Überwachen Sie ein bereitgestelltes Modell und erkennen Sie Signale, die untersuchungs- oder umschulungen erfordern.