Inleiding

Het implementeren van een getraind machine learning-model is alleen het middelpunt van de levenscyclus van het model. Na de implementatie moet u nog steeds een model veilig promoten en blijven kijken hoe het zich gedraagt in productie. Deze module behandelt dat traject, van het registreren van een getraind model tot het monitoren ervan nadat het live verkeer afhandelt.

Bij Proseware, Inc., een technologiebedrijf voor gezondheidszorg, werkt u samen met een data science-team dat een classificatiemodel traint om te voorspellen of een patiënt waarschijnlijk een geplande afspraak in de kliniek mist. Het personeel van de kliniek wil deze no-show-risicoscores gebruiken om te bepalen welke patiënten ze van tevoren moeten bellen om hun afspraak te bevestigen, zodat er minder afspraakslots ongebruikt blijven. Uw taak als machine learning-engineer is om het getrainde model van het data science-team te nemen en deze betrouwbaar in productie te krijgen, met een herhaalbaar, geautomatiseerd proces dat het team kan vertrouwen naarmate het model zich ontwikkelt.

In deze module leert u hoe u MLflow-modelversies registreert en beheert in Azure Machine Learning. U implementeert en lost problemen op met een beheerd online-eindpunt en promoveer of rol een modelversie veilig terug. U gebruikt GitHub omgevingen om productiepromotie en GitHub Actions te beschermen om de implementatie te automatiseren. U verkent ook hoe bewakingssignalen leiden tot onderzoek en hertraining.

Aan het einde van deze module kunt u een MLflow-model uit de registratie halen via geautomatiseerde implementatie en doorlopende bewaking in Azure Machine Learning.

Leerdoelen

In deze module leert u het volgende:

• Registreer, versie en archiveer MLflow-modellen gedurende hun levenscyclus.
• Gebruik GitHub omgevingen om de toegang te beheren en goedkeuring te vereisen vóór productiepromotie.
• Implementeer en los problemen op met een beheerd online-eindpunt, promoveer een model veilig en rol deze terug naar een eerdere versie.
• Modelimplementatie en -tests automatiseren met GitHub Actions.
• Bewaak een geïmplementeerd model en herken signalen die onderzoek of hertraining aanroepen.