Resumen

En este módulo, ha llevado un modelo entrenado desde su registro, pasando por la implementación automatizada, hasta la supervisión en producción en Azure Machine Learning.

Lo que ha aprendido

• Se registran y se crean versiones de los modelos de MLflow y, a continuación, se archivan las versiones que ya no necesitan aparecer en las listas predeterminadas.
• Explorará las fases de MLOps que conectan el desarrollo de modelos a la implementación, automatización y supervisión.
• Puede usar entornos de GitHub protegidos para limitar el acceso a la implementación y requerir aprobación antes de la promoción de producción.
• Implementa un modelo en un punto de conexión en línea administrado y utiliza un despliegue azul-verde para probar una nueva versión antes de desviar el tráfico de producción hacia ella.
• Resuelve los errores de implementación y de evaluación comprobando los detalles de la implementación y los registros del contenedor.
• Mantienes disponible la implementación anterior para poder revertir el cambio redirigiendo el tráfico sin modificar la URL del punto de conexión.
• Puede automatizar el registro, la implementación y las pruebas con Acciones de GitHub mediante credenciales federadas de OIDC.
• Utilizas señales de supervisión operativa y del modelo para decidir cuándo revertir, investigar o volver a entrenar.

Aprende más

• Implementación de modelos de MLflow en Azure Machine Learning
• Implementación de modelos de Machine Learning en puntos de conexión en línea
• Implementación segura para puntos de conexión en línea
• Conexión de Acciones de GitHub a Azure con OpenID Connect
• Supervisión de los puntos de conexión en línea
• Supervisión del rendimiento de los modelos implementados en producción