Zusammenfassung
Das manuelle Verwalten von Machine-Learning-Code – Notebook für Notebook, Person für Person und Lauf für Lauf – ist für ein Team, das Rückverfolgbarkeit, sicheres Experimentieren und automatisierte Qualitätsschranken benötigt, nicht skalierbar. In diesem Modul wird erläutert, wie Sie diese Automatisierungsebene schrittweise erstellen.
Was Sie gelernt haben
- Version Ihrer Schulungsskripts, Auftragsdefinitionen, Umgebungsdateien und Konfiguration in Git. Bewahren Sie Rohdaten, Modellartefakte, Ausführungsausgaben und Geheimnisse in speziell dafür vorgesehenen Diensten wie Azure Machine Learning-Datenobjekten, der Modellregistrierung und GitHub-Geheimnissen oder Azure Key Vault auf.
- Trunkbasierte Entwicklung hält
mainstabil. Kurzlebige Branches isolieren Änderungen, Pull Requests ermöglichen Überprüfungen, und Branchschutzregeln erzwingen erforderliche Prüfungen vor dem Mergen. - GitHub Actions Workflows führen Linting- und Komponententests automatisch für Pullanforderungen aus, sodass Ergebnisse als Statusprüfungen angezeigt werden, die eine Zusammenführung blockieren können.
- Der Workload-Identitätsverbund mit OIDC ist die bevorzugte Methode, um GitHub Actions für Azure zu authentifizieren. Dadurch entfällt die Notwendigkeit, langfristig gültige Anmeldeinformationen zu speichern, und das Risiko wird im Vergleich zu Clientgeheimnissen von Dienstprinzipalen verringert.
- Ein GitHub-Actions-Workflow übermittelt mithilfe der Azure CLI einen Befehlsauftrag oder Pipelineauftrag an Azure Machine Learning. Trigger umfassen Push-, Pull-Anforderungen, manuelle Ausführungen, Zeitpläne und Repository-Verteilerereignisse, die von Zwischenhändlern wie Azure Logic Apps oder Azure Functions gesendet werden.