Introduzione

La distribuzione di un modello di apprendimento automatico addestrato è solo il punto intermedio del ciclo di vita del modello. Dopo la distribuzione, è comunque necessario alzare di livello un modello in modo sicuro e osservare il comportamento nell'ambiente di produzione. Questo modulo guida lungo questo percorso, dalla registrazione di un modello addestrato fino al suo monitoraggio dopo che gestisce traffico reale.

In Proseware, Inc., una società di tecnologie sanitarie, si lavora con un team di data science che esegue il training di un modello di classificazione per prevedere se un paziente probabilmente perderà un prossimo appuntamento di clinica. Il personale della clinica vuole usare questi punteggi di rischio di mancata presentazione per decidere chi contattare in anticipo per confermare l'appuntamento, riducendo le fasce orarie di appuntamento sprecate. Il compito del tecnico di Machine Learning consiste nell'acquisire il modello sottoposto a training dal team di data science e renderlo in esecuzione in modo affidabile nell'ambiente di produzione, con un processo ripetibile e automatizzato che il team può considerare attendibile man mano che il modello si evolve.

In questo modulo viene illustrato come registrare e gestire le versioni del modello MLflow in Azure Machine Learning. Distribuisci e risolvi i problemi di un endpoint online gestito, quindi promuovi o ripristina in sicurezza una versione del modello. Usi gli ambienti GitHub per proteggere la promozione in produzione e GitHub Actions per automatizzare la distribuzione. Si esplora anche come i segnali di monitoraggio guidano l'analisi e il riaddestramento.

Al termine di questo modulo, è possibile acquisire un modello MLflow dalla registrazione tramite la distribuzione automatizzata e il monitoraggio continuo in Azure Machine Learning.

Obiettivi di apprendimento

In questo modulo, imparerai a:

• Registrare, versionare e archiviare i modelli MLflow lungo tutto il loro ciclo di vita.
• Usa gli ambienti GitHub per controllare l'accesso e richiedere l'approvazione prima della promozione in produzione.
• Distribuire e risolvere i problemi relativi a un endpoint online gestito, promuovere in modo sicuro un modello e eseguire il rollback a una versione precedente.
• Automatizzare la distribuzione e il test dei modelli con GitHub Actions.
• Monitorare un modello implementato e riconoscere i segnali che richiedono un'indagine o il riaddestramento.