Introducción

El entrenamiento de un modelo de Machine Learning funciona manualmente una vez. No es escalable cuando tu equipo itera a diario, necesita volver a entrenar con datos nuevos o debe demostrar que cada versión del modelo puede rastrearse hasta un cambio revisado y aprobado.

Imagine que es científico de datos en Proseware. Su equipo está desarrollando una aplicación móvil que ayuda a los profesionales a identificar a los pacientes que pueden necesitar más exámenes de diabetes o tratamiento. Tiene un script de entrenamiento para el modelo de clasificación, pero cada ejecución requiere que alguien recuerde el comando correcto, proporcione las credenciales y observe la salida. Cuando un compañero cambia la forma en que se preparan los datos de los pacientes, no hay ninguna comprobación automática de que el modelo siga entrenando correctamente o cumpla con su requisito de precisión.

Este módulo crea la capa de automatización desde cero. Empiezas con el control de versiones: qué versionar y qué mantener en almacenes específicos. A continuación, exploras el desarrollo basado en trunk como forma de proteger el código de producción mientras el equipo itera. A partir de ahí, verás cómo Acciones de GitHub valida automáticamente los cambios propuestos antes de que se fusionen, cómo conectar esos flujos de trabajo a Azure de forma segura y cómo activar trabajos de Azure Machine Learning a partir de eventos de GitHub y señales del lado de Azure.

Al final de este módulo, puede identificar qué recursos de aprendizaje automático pertenecen a Git, describir cómo rige el desarrollo basado en troncos los cambios y explicar cómo un flujo de trabajo de Acciones de GitHub valida el código, se autentica en Azure y envía trabajos Azure Machine Learning.