Explorer l’architecture de déploiement et de supervision

Pour maintenir la fiabilité du modèle de non-présentation à mesure qu’il évolue, l’équipe de Proseware suit un processus de machine learning operations (MLOps) couvrant tout, de la configuration initiale à la surveillance continue.

L’architecture comprend les éléments suivants :

• Configuration : créez les ressources Azure dont la solution a besoin.
• Développement de modèles (boucle interne) : explorez les données et entraînez et évaluez les modèles candidats.
• Intégration continue : Empaqueter et inscrire le modèle.
• Déploiement de modèle (boucle externe) : déployez le modèle sur un point de terminaison.
• Déploiement continu : testez le déploiement et promouvez-le en toute sécurité en production.
• Surveillance : effectuez le suivi de l’intégrité opérationnelle du point de terminaison et des prédictions du modèle au fil du temps.

L’inscription d’un modèle est le point de charnière entre les trois premières étapes et les trois dernières. Après l’apprentissage et l’inscription d’un modèle par l’équipe de science des données, le reste de ce module se concentre sur cette deuxième moitié du cycle : prise d’un modèle inscrit par le biais du déploiement, de la promotion sécurisée, de l’automatisation et de la surveillance.

Décider de ce qu’il faut automatiser

Vous pouvez effectuer chacune de ces étapes ultérieures manuellement dans Azure Machine Learning studio. Toutefois, comme Proseware prévoit de réentraîner et de redéployer régulièrement le modèle de non-présentation, l’équipe automatise l’enregistrement, le déploiement et les tests avec GitHub Actions, en déclenchant le workflow chaque fois qu’une nouvelle version du modèle est prête. L’automatisation de ces étapes répétitives permet à l’équipe de se concentrer sur l’examen de la qualité du modèle plutôt que sur la répétition des commandes de déploiement.

L’unité suivante montre comment un environnement de GitHub protégé transforme ce point d’examen en une porte de déploiement applicable.