Entwurf für erneutes Training

Wenn Sie Ihr Modell für die Produktion in einer MLOps-Lösung (Machine Learning Operations) vorbereiten, müssen Sie Ihr Modell für erneutes Training konzipieren.

Im Allgemeinen gibt es zwei Ansätze, wenn Sie ein Modell erneut trainieren möchten:

• Basierend auf einem Zeitplan: Wenn Sie wissen, dass Sie immer die neueste Version des Modells benötigen, können Sie sich entscheiden, Ihr Modell jede Woche oder jeden Monat basierend auf einem Zeitplan neu zu trainieren.
• Basierend auf Metriken: Wenn Sie Ihr Modell nur bei Bedarf neu trainieren möchten, können Sie die Leistung des Modells und die Datenabweichung überwachen, um zu entscheiden, wann Sie das Modell neu trainieren müssen.

In beiden Fällen müssen Sie einen Entwurf für ein erneutes Training erstellen. Um Ihr Modell einfach neu zu trainieren, sollten Sie Ihren Code für die Automatisierung vorbereiten.

Bereiten Sie Ihren Code vor

Idealerweise sollten Sie Modelle mit Skripts anstelle von Notizbüchern trainieren. Skripts eignen sich besser für die Automatisierung. Sie können einem Skript Parameter hinzufügen und Eingabeparameter wie die Schulungsdaten oder Hyperparameterwerte ändern. Wenn Sie Ihre Skripts parametrisieren, können Sie das Modell bei Bedarf problemlos mit neuen Daten trainieren.

Ein weiterer wichtiger Punkt bei der Vorbereitung Ihres Codes ist das Hosten des Codes in einem zentralen Repository. Ein Repository ist der Ort, an dem alle relevanten Dateien eines Softwareprojekts gespeichert werden. Mit Machine Learning-Projekten sind Git-basierte Repositorys ideal, um die Quellcodeverwaltung zu erreichen.

Wenn Sie die Quellcodeverwaltung auf Ihr Projekt anwenden, können Sie problemlos an einem Projekt zusammenarbeiten. Sie können jemanden zuweisen, der das Modell durch Aktualisieren des Codes verbessern soll. Sie können frühere Änderungen sehen, und Sie können Änderungen überprüfen, bevor sie an das Haupt-Repository gebunden sind.

Automatisiere deinen Code

Wenn Sie Ihren Code automatisch ausführen möchten, können Sie Azure Machine Learning-Aufträge zum Ausführen von Skripts konfigurieren. In Azure Machine Learning können Sie auch Pipelines erstellen und planen, um Skripts auszuführen.

Wenn Skripts basierend auf einem Trigger oder Ereignis außerhalb von Azure Machine Learning ausgeführt werden sollen, sollten Sie den Azure Machine Learning-Auftrag von einem anderen Tool auslösen.

Zwei Tools, die häufig in MLOps-Projekten verwendet werden, sind Azure DevOps und GitHub (Actions). Mit beiden Tools können Sie Automatisierungspipelines erstellen und Azure Machine Learning-Pipelines auslösen.

Als Datenwissenschaftler möchten Sie vielleicht lieber mit dem Azure Machine Learning Python SDK arbeiten. Wenn Sie jedoch mit Tools wie Azure DevOps und GitHub arbeiten, sollten Sie stattdessen die erforderlichen Ressourcen und Aufträge mit der Azure Machine Learning CLI-Erweiterung konfigurieren. Die Azure CLI ist für die Automatisierung von Aufgaben konzipiert und kann mit Azure DevOps und GitHub einfacher verwendet werden.