Présentation

L’entraînement d’un modèle Machine Learning fonctionne manuellement une seule fois. Cela n’évolue pas lorsque votre équipe itère au quotidien, doit se réentraîner sur de nouvelles données ou démontrer que chaque version de modèle peut être liée à une modification révisée et approuvée.

Imaginez que vous êtes un scientifique des données chez Proseware. Votre équipe développe une application mobile qui aide les praticiens à identifier les patients susceptibles d’avoir besoin d’un dépistage ou d’un traitement supplémentaire du diabète. Vous disposez d’un script d’entraînement pour le modèle de classification, mais chaque exécution nécessite que quelqu’un se souvienne de la commande appropriée, fournissez des informations d’identification et regardez la sortie. Lorsqu’un collègue modifie la façon dont les données des patients sont préparées, il n’existe aucune vérification automatique indiquant que le modèle s’entraîne toujours correctement ou répond à ses exigences de précision.

Ce module génère la couche d’automatisation à partir du haut. Vous commencez par le contrôle de code source : ce qu’il faut transformer en version et ce qu’il faut conserver dans des magasins de données dédiés. Vous explorez ensuite le développement basé sur une branche principale comme moyen de protéger le code de production au fil des itérations de l’équipe. À partir de là, vous allez voir comment GitHub Actions valide automatiquement les modifications proposées avant leur fusion, comment connecter ces flux de travail à Azure en toute sécurité et comment déclencher des travaux Azure Machine Learning à partir d’événements GitHub et de signaux côté Azure.

À la fin de ce module, vous pouvez identifier les ressources Machine Learning qui appartiennent à Git, décrire comment le développement basé sur les jonctions régit les modifications et expliquer comment un flux de travail GitHub Actions valide le code, s’authentifie auprès de Azure et envoie des travaux Azure Machine Learning.