Samenvatting

In deze module hebt u een getraind model van registratie via geautomatiseerde implementatie naar productiebewaking in Azure Machine Learning genomen.

Wat u hebt geleerd

U registreert en versie MLflow-modellen en archiveert vervolgens versies die niet meer in standaardlijsten hoeven te worden weergegeven.
U verkent de MLOps-fasen die modelontwikkeling verbinden met implementatie, automatisering en bewaking.
U gebruikt beveiligde GitHub omgevingen om implementatietoegang te bereiken en goedkeuring te vereisen voordat productiepromotie wordt uitgevoerd.
U implementeert een model in een beheerd online-eindpunt en gebruikt een blauwgroene implementatie om een nieuwe versie te testen voordat u productieverkeer naar het eindpunt verplaatst.
U lost implementatie- en scorefouten op door implementatiegegevens en containerlogboeken te controleren.
U houdt de vorige implementatie beschikbaar, zodat u kunt terugdraaien door verkeer om te leiden zonder de eindpunt-URL te wijzigen.
U automatiseert registratie, implementatie en testen met GitHub Actions met behulp van federatieve OIDC-referenties.
U gebruikt operationele en modelbewakingssignalen om te bepalen wanneer u wilt terugdraaien, onderzoeken of opnieuw trainen.

Is deze pagina nuttig?