Erkunden der Bereitstellungs- und Überwachungsarchitektur
Um das No-Show-Modell zuverlässig zu halten, während es sich weiterentwickelt, folgt Prosewares Team einem MlOps-Prozess (Machine Learning Operations), der alles von der ersten Einrichtung bis hin zur laufenden Überwachung umfasst.
Hinweis
Dieses Diagramm ist eine vereinfachte Darstellung einer MLOps-Architektur. Weitere Informationen zu einer detaillierteren Gruppe von Implementierungen finden Sie im MLOps v2-Lösungsbeschleuniger.
Die Architektur umfasst:
- Setup: Erstellen Sie die Azure Ressourcen, die die Lösung benötigt.
- Modellentwicklung (innere Schleife): Untersuchen von Daten und Trainieren und Auswerten von Kandidatenmodellen.
- Kontinuierliche Integration: Packen und Registrieren des Modells.
- Modellbereitstellung (äußere Schleife):Stellen Sie das Modell auf einem Endpunkt bereit.
- Kontinuierliche Bereitstellung: Testen Sie die Bereitstellung, und fördern Sie sie sicher in die Produktion.
- Überwachung: Verfolgen Sie die Betriebsintegrität des Endpunkts und die Vorhersagen des Modells im Laufe der Zeit.
Das Registrieren eines Modells ist der Hingepunkt zwischen den ersten drei Phasen und den letzten drei Stufen. Nachdem das Data-Science-Team ein Modell trainiert und registriert hat, konzentriert sich der Rest dieses Moduls auf diese zweite Hälfte des Zyklus: ein registriertes Modell bereitzustellen, sicher zu promoten, zu automatisieren und zu überwachen.
Entscheiden, was automatisiert werden soll
Sie können jede dieser späteren Phasen manuell in Azure Machine Learning Studio ausführen. Da Proseware jedoch plant, das No-Show-Modell regelmäßig neu zu trainieren und erneut bereitzustellen, automatisiert das Team die Registrierung, Bereitstellung und Tests mit GitHub Actions, wodurch der Workflow ausgelöst wird, sobald eine neue Modellversion bereit ist. Durch die Automatisierung dieser sich wiederholenden Schritte wird das Team frei, sich auf die Überprüfung der Modellqualität zu konzentrieren, anstatt Bereitstellungsbefehle manuell zu wiederholen.
Hinweis
Die Automatisierung ist für MLOps zentral, ersetzt aber nicht das menschliche Urteil. Es gehört zu den bewährten Praktiken, einen Menschen in Entscheidungen einzubeziehen, etwa wenn eine neue Modellversion für den vollständigen Produktivverkehr freigegeben oder eine Warnmeldung aus dem Monitoring untersucht wird.
Die nächste Einheit zeigt, wie eine geschützte GitHub Umgebung diesen Prüfpunkt in ein erzwingbares Bereitstellungsgate verwandelt.