De implementatie- en bewakingsarchitectuur verkennen

  • 4 minuten

Om het no-show model betrouwbaar te houden terwijl het zich ontwikkelt, volgt het team van Proseware een MACHINE Learning Operations-proces (MLOps) dat alles omvat, van de eerste installatie tot doorlopende bewaking.

Diagram van machine learning-bewerkingsarchitectuur.

Notitie

Dit diagram is een vereenvoudigde weergave van een MLOps-architectuur. Zie de MLOps v2-oplossingsversneller voor een gedetailleerdere set implementaties.

De architectuur bevat:

  • Installatie: Maak de Azure resources die de oplossing nodig heeft.
  • Modelontwikkeling (interne lus): gegevens verkennen en kandidaatmodellen trainen en evalueren.
  • Continue integratie: het model verpakken en registreren.
  • Modelimplementatie (buitenste lus):implementeer het model op een eindpunt.
  • Continue implementatie: Test de implementatie en promoot deze veilig naar productie.
  • Bewaking: houd de operationele status van het eindpunt en de voorspellingen van het model in de loop van de tijd bij.

Het registreren van een model is het scharnierpunt tussen de eerste drie fasen en de laatste drie. Nadat het data science-team een model heeft getraind en geregistreerd, richt de rest van deze module zich op die tweede helft van de cyclus: het nemen van een geregistreerd model via implementatie, veilige promotie, automatisering en bewaking.

Bepalen wat u wilt automatiseren

U kunt elk van deze latere fasen handmatig uitvoeren in Azure Machine Learning Studio. Omdat Proseware echter van plan is om het no-show model regelmatig opnieuw te trainen en opnieuw te implementeren, automatiseert het team de registratie, implementatie en testen met GitHub Actions, waardoor de werkstroom wordt geactiveerd wanneer een nieuwe modelversie gereed is. Door deze terugkerende stappen te automatiseren, kan het team zich richten op het beoordelen van modelkwaliteit in plaats van handmatig implementatieopdrachten te herhalen.

Notitie

Automatisering is centraal in MLOps, maar het vervangt geen menselijke beoordeling. Het is een goede werkwijze om een mens betrokken te houden bij beslissingen, zoals het doorzetten van een nieuwe modelversie naar al het productie-verkeer of het onderzoeken van een monitoringwaarschuwing.

In de volgende les ziet u hoe een beveiligde GitHub omgeving dat controlepunt verandert in een afdwingbare implementatiepoort.