Inleiding

Het trainen van een machine learning-model werkt handmatig één keer. Het wordt niet geschaald wanneer uw team dagelijks itereert, opnieuw moet trainen op nieuwe gegevens of moet aantonen dat elke modelversie wordt teruggezet naar een herziene en goedgekeurde wijziging.

Stel dat u data scientist bent bij Proseware. Uw team ontwikkelt een mobiele app waarmee beoefenaars patiënten kunnen identificeren die mogelijk verdere diabetesscreening of behandeling nodig hebben. U hebt een trainingsscript voor het classificatiemodel, maar voor elke uitvoering moet iemand de juiste opdracht onthouden, referenties opgeven en de uitvoer bekijken. Wanneer een collega wijzigt hoe patiëntgegevens worden voorbereid, is er geen automatische controle of het model nog steeds goed traint of voldoet aan de nauwkeurigheidsvereiste.

Met deze module wordt de automatiseringslaag vanaf de basis gebouwd. U begint met broncodebeheer: wat u moet versien en wat u in speciaal gebouwde winkels wilt bewaren. Vervolgens verkent u trunk-based development als een manier om productiecode te beschermen terwijl het team blijft itereren. Hier ziet u hoe GitHub Actions voorgestelde wijzigingen automatisch valideert voordat ze worden samengevoegd, hoe u deze werkstromen veilig verbindt met Azure en hoe u Azure Machine Learning taken activeert vanuit GitHub gebeurtenissen en Azure-side signalen.

Aan het einde van deze module kunt u bepalen welke machine learning-assets deel uitmaken van Git, beschrijven hoe op trunk gebaseerde ontwikkeling wijzigingen regelt en uitleggen hoe een GitHub Actions werkstroom code valideert, verifieert bij Azure en Azure Machine Learning taken verzendt.