Présentation

Un défi courant lors du développement de modèles Machine Learning consiste à préparer des scénarios de production. Lorsque vous écrivez du code pour traiter des données et entraîner des modèles, vous souhaitez que le code soit évolutif, reproductible et prêt pour l’automatisation.

Bien que les notebooks soient idéaux pour l’expérimentation et le développement, les scripts conviennent mieux aux charges de travail de production. Dans Azure Machine Learning, vous pouvez exécuter un script en tant que travail de commande. Lorsque vous envoyez un travail de commande, vous pouvez configurer différents paramètres comme les données d’entrée et l’environnement de calcul.

Une fois que votre script d’entraînement s’exécute en tant que tâche, vous souhaitez également surveiller les performances du modèle au fil du temps. Vous pouvez utiliser MLflow pour suivre les métriques, les paramètres et les artefacts directement à partir de vos scripts. MLflow est une plateforme open source intégrée à Azure Machine Learning qui vous permet de comparer les exécutions et de décider des étapes suivantes.

Objectifs d’apprentissage

Dans ce module, vous allez découvrir comment :

• Convertissez un bloc-notes en script.
• Tester des scripts dans un terminal.
• Exécutez un script en tant que travail de commande.
• Utilisez des paramètres dans un travail de commande.
• Utilisez MLflow lorsque vous exécutez un script en tant que travail.
• Passez en revue les métriques, les paramètres, les artefacts et les modèles à partir d’une exécution.

Commençons par examiner pourquoi les scripts sont un meilleur choix que les notebooks pour les charges de travail de machine learning en production. Et comment convertir vos blocs-notes existants en scripts réutilisables prêts pour la production.