Esplorare l'architettura di distribuzione e monitoraggio
Per mantenere affidabile il modello no-show man mano che si evolve, il team di Proseware segue un processo di machine learning operations (MLOps) che si estende su tutto, dalla configurazione iniziale al monitoraggio continuo.
Nota
Questo diagramma è una rappresentazione semplificata di un'architettura MLOps. Per esplorare un set più dettagliato di implementazioni, vedere l'acceleratore di soluzioni MLOps v2.
L'architettura include:
- Installazione: creare le risorse Azure necessarie per la soluzione.
- Sviluppo di modelli (ciclo interno): esplorare i dati ed eseguire il training e valutare i modelli candidati.
- Integrazione continua: creare un pacchetto del modello e registrarlo.
- Distribuzione del modello (ciclo esterno): distribuire il modello in un endpoint.
- Distribuzione continua: testare la distribuzione e promuoverla in modo sicuro nell'ambiente di produzione.
- Monitoraggio: tenere traccia dell'integrità operativa dell'endpoint e delle stime del modello nel tempo.
La registrazione di un modello è il punto di cerniera tra le prime tre fasi e le ultime tre. Dopo che il team di data science esegue il training e la registrazione di un modello, il resto di questo modulo è incentrato sulla seconda metà del ciclo: l'acquisizione di un modello registrato tramite la distribuzione, la promozione sicura, l'automazione e il monitoraggio.
Decidere cosa automatizzare
È possibile eseguire manualmente ognuna di queste fasi successive in studio di Azure Machine Learning. Tuttavia, poiché Proseware prevede di ripetere il training e ridistribuire regolarmente il modello no-show, il team automatizza la registrazione, la distribuzione e il test con GitHub Actions, attivando il flusso di lavoro ogni volta che è pronta una nuova versione del modello. L'automazione di questi passaggi ripetitivi consente al team di concentrarsi sulla revisione della qualità del modello anziché ripetere i comandi di distribuzione a mano.
Nota
L'automazione è fondamentale per MLOps, ma non sostituisce il giudizio umano. È consigliabile mantenere una persona nel ciclo per decisioni quali la promozione di una nuova versione del modello al traffico di produzione completo o l'analisi di un avviso di monitoraggio.
L'unità successiva illustra come un ambiente protetto GitHub trasforma tale punto di revisione in un gate di distribuzione applicabile.