Résumé

  • 2 minutes

La gestion manuelle du code Machine Learning ( un bloc-notes, une personne, une exécution à la fois) ne s’adapte pas à une équipe qui a besoin de traçabilité, d’expérimentation sécurisée et de portes de qualité automatisées. Ce module a expliqué comment générer cette couche Automation étape par étape.

Ce que vous avez appris

  • Version de vos scripts d’entraînement, définitions de travaux, fichiers d’environnement et configuration dans Git. Conservez les données brutes, les artefacts de modèle, les résultats d’exécution et les secrets dans des services spécialement conçus à cet effet, tels que les actifs de données Azure Machine Learning, le registre de modèles et les secrets GitHub ou Azure Key Vault.
  • Le développement basé sur le tronc maintient main stable. Les branches de courte durée isolent les modifications, les pull requests permettent la revue, et les règles de protection des branches imposent les vérifications requises avant la fusion.
  • Les workflows GitHub Actions exécutent automatiquement le linting et les tests unitaires sur les demandes de tirage, et affichent les résultats sous forme de contrôles d’état qui peuvent empêcher la fusion.
  • La fédération des identités de charge de travail avec OIDC est la méthode recommandée pour authentifier GitHub Actions à Azure. Il supprime la nécessité de stocker des informations d’identification de longue durée et réduit les risques par rapport aux secrets client du principal de service.
  • Un flux de travail GitHub Actions envoie un travail de commande ou un travail de pipeline à Azure Machine Learning à l’aide du Azure CLI. Les déclencheurs incluent des envois push, des demandes de tirage, des exécutions manuelles, des planifications et des événements de distribution de référentiel envoyés par des intermédiaires tels que Azure Logic Apps ou Azure Functions.

Learn more