Einführung

Das Training eines Machine Learning-Modells funktioniert einmal manuell. Das skaliert nicht, wenn Ihr Team täglich iteriert, mit frischen Daten neu trainieren muss oder nachweisen können muss, dass sich jede Modellversion auf eine überprüfte und genehmigte Änderung zurückführen lässt.

Stellen Sie sich vor, Sie sind Datenwissenschaftler bei Proseware. Ihr Team entwickelt eine mobile App, die Praktikern hilft, Patienten zu identifizieren, die möglicherweise weitere Diabetesscreening oder Behandlung benötigen. Sie verfügen über ein Schulungsskript für das Klassifizierungsmodell, aber jede Ausführung erfordert, dass sich jemand an den richtigen Befehl erinnert, Anmeldeinformationen angibt und die Ausgabe überwacht. Wenn ein Kollege ändert, wie Patientendaten vorbereitet werden, gibt es keine automatische Überprüfung, dass das Modell weiterhin erfolgreich trainiert oder seine Genauigkeitsanforderung erfüllt.

Dieses Modul erstellt die Automatisierungsebene von Grund auf. Sie beginnen mit der Quellcodeverwaltung – was versioniert werden soll und was in speziell integrierten Stores beibehalten werden soll. Anschließend erkunden Sie die trunkbasierte Entwicklung als Möglichkeit zum Schutz von Produktionscode, während das Team iteriert. Von dort aus sehen Sie, wie GitHub Actions vorgeschlagene Änderungen automatisch überprüft, bevor sie zusammengeführt werden, wie sie diese Workflows sicher mit Azure verbinden und wie Azure Machine Learning Aufträge aus GitHub Ereignissen und Azure-side-Signalen ausgelöst werden.

Am Ende dieses Moduls können Sie ermitteln, welche Machine Learning-Ressourcen in Git gehören, beschreiben, wie trunkbasierte Entwicklung Änderungen steuert, und erläutern, wie ein GitHub Actions Workflow Code überprüft, sich bei Azure authentifiziert und Azure Machine Learning Aufträge übermittelt.