Resumen

  • 2 minutos

La administración manual del código de aprendizaje automático (un cuaderno, una persona, una ejecución a la vez) no se escala a un equipo que necesita rastreabilidad, experimentación segura y puertas de calidad automatizadas. En este módulo se explica cómo crear esa capa de automatización paso a paso.

Lo que ha aprendido

  • Versione en Git sus scripts de entrenamiento, las definiciones de trabajos, los archivos de entorno y la configuración. Mantenga los datos sin procesar, los artefactos del modelo, los resultados de ejecución y los secretos en servicios diseñados específicamente para ello, como los recursos de datos de Azure Machine Learning, el registro de modelos y los secretos de GitHub o Azure Key Vault.
  • El desarrollo basado en troncos mantiene main estable. Las ramas de corta duración aíslan los cambios, las solicitudes de incorporación de cambios habilitan la revisión y las reglas de protección de rama aplican las comprobaciones necesarias antes de combinarlas.
  • Los flujos de trabajo de Acciones de GitHub ejecutan automáticamente comprobaciones de linting y pruebas unitarias en las pull requests, mostrando los resultados como comprobaciones de estado que pueden bloquear la fusión.
  • La federación de identidades de carga de trabajo con OIDC es la manera preferida de autenticar Acciones de GitHub en Azure. Quita la necesidad de almacenar credenciales de larga duración y reduce el riesgo en comparación con los secretos de cliente de la entidad de servicio.
  • Un flujo de trabajo de Acciones de GitHub envía un trabajo de comando o un trabajo de canalización para Azure Machine Learning mediante el CLI de Azure. Los desencadenadores incluyen inserciones, solicitudes de incorporación de cambios, ejecuciones manuales, programaciones y eventos de envío de repositorio enviados por intermediarios, como Azure Logic Apps o Azure Functions.

Aprende más