Zusammenfassung
In diesem Modul haben Sie ein trainiertes Modell von der Registrierung über die automatisierte Bereitstellung bis hin zur Produktionsüberwachung in Azure Machine Learning genommen.
Was Sie gelernt haben
- Sie registrieren MLflow-Modelle und archivieren dann Versionen, die nicht mehr in Standardlisten angezeigt werden müssen.
- Sie erkunden die MLOps-Phasen, die die Modellentwicklung mit der Bereitstellung, Automatisierung und Überwachung verbinden.
- Sie verwenden geschützte GitHub Umgebungen, um den Bereitstellungszugriff zu beschränken und eine Genehmigung vor der Produktionsförderung zu erfordern.
- Sie stellen ein Modell auf einem verwalteten Onlineendpunkt bereit und verwenden ein blaugrünes Rollout, um eine neue Version zu testen, bevor der Produktionsdatenverkehr darauf verschoben wird.
- Sie beheben Bereitstellungsfehler und Fehler bei der Bewertung, indem Sie Bereitstellungsdetails und Containerprotokolle überprüfen.
- Sie behalten die vorherige Bereitstellung zur Verfügung, damit Sie einen Rollback durchführen können, indem Sie den Datenverkehr umleiten, ohne die Endpunkt-URL zu ändern.
- Sie automatisieren die Registrierung, Bereitstellung und Tests mit GitHub Actions mithilfe von OIDC-Verbundanmeldeinformationen.
- Sie verwenden Betriebs- und Modellüberwachungssignale, um zu entscheiden, wann ein Rollback durchgeführt, untersucht oder neu trainiert werden soll.
Weitere Informationen
- Bereitstellen von MLflow-Modellen in Azure Machine Learning
- Bereitstellen von Machine Learning-Modellen auf Onlineendpunkten
- Sicherer Rollout für Onlineendpunkte
- GitHub Actions mit Azure über OpenID Connect verbinden
- Überwachen von Onlineendpunkten
- Überwachen der Leistung von Modellen, die für die Produktion bereitgestellt werden