Machine learning-registers voor MLOps

In dit artikel wordt beschreven hoe Azure Machine Learning registers machine learning-assets loskoppelen van werkruimten, zodat u MLOps kunt gebruiken in ontwikkel-, test- en productieomgevingen. Uw omgevingen kunnen variëren op basis van de complexiteit van uw IT-systemen. De volgende factoren zijn van invloed op het aantal en het type omgeving dat u nodig hebt:

• Beveiligings- en nalevingsbeleid. Productieomgevingen moeten mogelijk worden geïsoleerd van ontwikkelomgevingen in termen van toegangsbeheer, netwerkarchitectuur en gegevensblootstelling.
• Abonnementen. Ontwikkelomgevingen en productieomgevingen maken vaak gebruik van afzonderlijke abonnementen voor facturering, budgettering en kostenbeheer.
• Contreien. Mogelijk moet u implementeren in verschillende Azure-regio's ter ondersteuning van latentie- en redundantievereisten.

In de voorgaande scenario's kunt u verschillende Azure Machine Learning-werkruimten gebruiken voor ontwikkeling, testen en productie. Deze configuratie biedt de volgende potentiële uitdagingen voor modeltraining en -implementatie:

• Mogelijk moet u een model trainen in een ontwikkelwerkruimte, maar dit implementeren op een eindpunt in een productiewerkruimte, mogelijk in een ander Azure-abonnement of -regio. In dit geval moet u de trainingstaak kunnen traceren. Als u bijvoorbeeld nauwkeurigheid of prestatieproblemen ondervindt met de productie-implementatie, moet u de metrische gegevens, logboeken, code, omgeving en gegevens analyseren die u hebt gebruikt om het model te trainen.

• Mogelijk moet u een trainingspijplijn ontwikkelen met testgegevens of geanonimiseerde gegevens in de ontwikkelwerkruimte, maar het model opnieuw trainen met productiegegevens in de productiewerkruimte. In dit geval moet u mogelijk metrische trainingsgegevens vergelijken op voorbeeld- en productiegegevens om ervoor te zorgen dat de trainingsoptimalisaties goed presteren met werkelijke gegevens.

Werkruimteoverstijgende MLOps met registers

Een register, net als een Git-opslagplaats, koppelt machine learning-assets los van werkruimten en host de assets op een centrale locatie, zodat alle werkruimten in uw organisatie er toegang toe hebben. Gebruik registers om assets zoals modellen, omgevingen, onderdelen en gegevensassets op te slaan en te delen.

Als u modellen wilt promoten via ontwikkel-, test- en productieomgevingen, begint u met iteratief het ontwikkelen van een model in de ontwikkelomgeving. Wanneer u een geschikt model hebt, publiceert u het in een register. Vervolgens kunt u het model vanuit het register implementeren naar eindpunten in verschillende werkruimten.

Als u een pijplijn in één werkruimte wilt ontwikkelen en deze vervolgens in andere werkruimten wilt uitvoeren, registreert u eerst de onderdelen en omgevingen die de bouwstenen van de pijplijn vormen. Wanneer u de pijplijntaak verzendt, bepalen de reken- en trainingsgegevens, die uniek zijn voor elke werkruimte, de werkruimte waarin moet worden uitgevoerd.

Het volgende diagram toont de promotie van de trainingspipeline tussen verkennende en ontwikkelwerkruimten, gevolgd door de promotie van het getrainde model naar test en productie.

Volgende stappen

• Azure Machine Learning-registers maken en beheren
• Netwerkisolatie met registers
• Deel modellen, onderdelen en omgevingen tussen werkruimten met registers
• Gegevens delen tussen werkruimten met registers