はじめに

トレーニング済みの機械学習モデルのデプロイは、モデルのライフ サイクルの中間点にすぎません。 デプロイ後も、モデルを安全に昇格させ、運用環境での動作を監視し続ける必要があります。 このモジュールでは、トレーニング済みのモデルの登録からライブ トラフィックの処理後の監視まで、そのパスについて説明します。

医療技術会社である Proseware, Inc. では、分類モデルをトレーニングするデータ サイエンス チームと協力して、患者が今後のクリニックの予約を逃す可能性があるかどうかを予測します。 クリニックのスタッフは、これらの無断キャンセルのリスクスコアを使って、事前に電話で予約確認を行う患者を判断し、無駄になる予約枠を減らしたいと考えています。 機械学習エンジニアとしてのあなたの仕事は、データ サイエンス チームからトレーニング済みのモデルを取得し、モデルの進化に合わせてチームが信頼できる反復可能で自動化されたプロセスを使用して、運用環境で確実に実行することです。

このモジュールでは、Azure Machine Learningで MLflow モデル のバージョンを登録および管理する方法について説明します。 マネージド オンライン エンドポイントをデプロイしてトラブルシューティングした後、モデル バージョンを安全に昇格またはロールバックします。 GitHub環境を使用して本番環境への昇格を保護し、GitHub Actionsを使用してデプロイを自動化します。 また、監視シグナルが調査と再トレーニングにどのように役立つのかを調べることもできます。

このモジュールの終わりまでに、MLflow モデルを登録から自動デプロイ、Azure Machine Learningでの継続的な監視まで実行できます。

学習の目的

このモジュールでは、次の方法を学習します。

• MLflow モデルをライフサイクル全体にわたって登録、バージョン管理、アーカイブします。
• GitHub環境を使用してアクセスを制御し、運用環境の昇格前に承認を要求します。
• マネージド オンライン エンドポイントをデプロイしてトラブルシューティングし、モデルを安全に昇格させ、以前のバージョンにロールバックします。
• GitHub Actionsを使用してモデルのデプロイとテストを自動化します。
• デプロイされたモデルを監視し、調査または再トレーニングを必要とするシグナルを認識します。