Riepilogo

  • 2 minuti

La gestione manuale del codice di machine learning — un notebook, una persona, un’esecuzione alla volta — non è scalabile per un team che ha bisogno di tracciabilità, sperimentazione sicura e controlli di qualità automatizzati. Questo modulo ha illustrato come creare il livello di automazione in modo dettagliato.

Cosa si è appreso

  • Versione degli script di training, delle definizioni dei processi, dei file di ambiente e della configurazione in Git. Conservate i dati non elaborati, gli artefatti del modello, gli output delle esecuzioni e i segreti in servizi appositi, ad esempio le risorse dati di Azure Machine Learning, il registro dei modelli e GitHub Secrets o Azure Key Vault.
  • Lo sviluppo basato su trunk mantiene main stabile. I rami di breve durata isolano le modifiche, le richieste pull abilitano la revisione e le regole di protezione dei rami applicano i controlli necessari prima dell'unione.
  • I flussi di lavoro di GitHub Actions eseguono automaticamente il linting e gli unit test sulle pull request, mostrando i risultati come controlli di stato che possono bloccare l'unione.
  • La federazione dell'identità del carico di lavoro con OIDC è il modo migliore per autenticare GitHub Actions a Azure. Rimuove la necessità di archiviare le credenziali di lunga durata e riduce i rischi rispetto ai segreti client dell'entità servizio.
  • Un flusso di lavoro GitHub Actions invia un processo di comando o di una pipeline a Azure Machine Learning usando il interfaccia della riga di comando di Azure. I trigger includono push, richieste pull, esecuzioni manuali, pianificazioni ed eventi di invio del repository inviati da intermediari, ad esempio App per la logica di Azure o Funzioni di Azure.

Ulteriori informazioni