デプロイと監視のアーキテクチャを調べる
Proseware のチームは、進化に合った信頼性の高いノーショー モデルを維持するために、初期セットアップから継続的な監視まで、あらゆるものに及ぶ 機械学習操作 (MLOps) プロセスに従います。
注
この図は、MLOps アーキテクチャの簡略化された表現です。 実装の詳細なセットについては、 MLOps v2 ソリューション アクセラレータを参照してください。
アーキテクチャには次のものが含まれます。
- セットアップ: ソリューションに必要なAzure リソースを作成します。
- モデル開発 (内部ループ): データを探索し、候補モデルのトレーニングと評価を行います。
- 継続的インテグレーション: モデルをパッケージ化して登録します。
- モデルのデプロイ (外部ループ): エンドポイントにモデルをデプロイします。
- 継続的デプロイ: デプロイをテストし、運用環境に安全に昇格させます。
- 監視: エンドポイントの運用の正常性と、時間の経過に伴うモデルの予測を追跡します。
モデルの登録は、最初の 3 つのステージと最後の 3 つのステージの間のヒンジ ポイントです。 データ サイエンス チームがモデルをトレーニングして登録した後、このモジュールの残りの部分では、デプロイ、安全な昇格、自動化、監視を通じて登録済みのモデルを取得するというサイクルの後半に焦点を当てます。
自動化する内容を決定する
これらの後の各ステージは、Azure Machine Learning スタジオで手動で実行できます。 ただし、Proseware はノーショー モデルの再トレーニングと再デプロイを定期的に計画しているため、チームはGitHub Actionsを使用して登録、デプロイ、テストを自動化し、新しいモデル バージョンの準備ができたらワークフローをトリガーします。 これらの繰り返しの手順を自動化することで、チームは手動でデプロイ コマンドを繰り返すのではなく、モデルの品質の確認に集中できるようになります。
注
自動化は MLOps の中心ですが、人間の判断に代わるわけではありません。 新しいモデル バージョンを本番トラフィック全体に昇格させたり、監視アラートを調査したりするような判断では、人が関与できるようにしておくのがベスト プラクティスです。
次のユニットでは、保護されたGitHub環境によって、そのレビュー ポイントが強制的な展開ゲートに変わる方法を示します。