Introduzione

Il training di un modello di Machine Learning funziona manualmente una sola volta. Non è scalabile quando il team itera quotidianamente, deve riaddestrare sui dati nuovi o deve dimostrare che ogni versione del modello sia riconducibile a una modifica esaminata e approvata.

Si supponga di essere un data scientist di Proseware. Il team sta sviluppando un'app per dispositivi mobili che aiuta i professionisti a identificare i pazienti che potrebbero avere bisogno di ulteriore screening o trattamento del diabete. È disponibile uno script di training per il modello di classificazione, ma ogni esecuzione richiede a un utente di ricordare il comando corretto, fornire le credenziali e controllare l'output. Quando un collega modifica il modo in cui vengono preparati i dati dei pazienti, non esiste un controllo automatico che il modello esegue ancora correttamente il training o soddisfa i requisiti di accuratezza.

Questo modulo costruisce il livello di automazione partendo da zero. Si inizia con il controllo del codice sorgente, ovvero la versione e gli elementi da conservare in archivi creati appositamente. Si esplora quindi lo sviluppo basato su trunk come modo per proteggere il codice di produzione mentre il team esegue l'iterazione. Da qui si esamina come GitHub Actions convalida automaticamente le modifiche proposte prima dell'unione, come connettere tali flussi di lavoro a Azure in modo sicuro e come attivare processi Azure Machine Learning da eventi GitHub e segnali sul lato Azure.

Al termine di questo modulo, è possibile identificare quali asset di Machine Learning appartengono a Git, descrivere il modo in cui lo sviluppo basato su trunk regola le modifiche e spiegare come un flusso di lavoro GitHub Actions convalida il codice, esegue l'autenticazione per Azure e invia processi Azure Machine Learning.