Samenvatting

Het handmatig beheren van machine-learningcode — één notebook, één persoon, één run tegelijk — schaalt niet voor een team dat traceerbaarheid, veilige experimenten en geautomatiseerde kwaliteitscontroles nodig heeft. In deze module wordt uitgelegd hoe u die automatiseringslaag stapsgewijs bouwt.

Wat u hebt geleerd

• Versie van uw trainingsscripts, taakdefinities, omgevingsbestanden en configuratie in Git. Bewaar onbewerkte gegevens, modelartefacten, uitvoer van uitvoeringen en geheimen in speciaal daarvoor bedoelde services, zoals data-assets van Azure Machine Learning, het modelregister en GitHub-geheimen of Azure Key Vault.
• Trunkgebaseerde ontwikkeling houdt main stabiel. Kortstondige vertakkingen isoleren wijzigingen, pull-aanvragen maken controle mogelijk en vertakkingsbeveiligingsregels dwingen vereiste controles af voordat ze worden samengevoegd.
• GitHub Actions werkstromen linting- en eenheidstests automatisch uitvoeren op pull-aanvragen, waardoor resultaten worden weergegeven als statuscontroles die een samenvoeging kunnen blokkeren.
• Federatie van workloadidentiteiten met OIDC is de voorkeursmethode om GitHub Actions bij Azure te authenticeren. Het verwijdert de noodzaak om referenties met een lange levensduur op te slaan en vermindert het risico in vergelijking met clientgeheimen van de service-principal.
• Een GitHub Actions werkstroom verzendt een opdrachttaak of pijplijntaak naar Azure Machine Learning met behulp van de Azure CLI. Triggers omvatten pushes, pullaanvragen, handmatig gestarte uitvoeringen, geplande uitvoeringen en repository-dispatchgebeurtenissen die via intermediairs zoals Azure Logic Apps of Azure Functions worden verzonden.

Meer informatie

• GitHub Actions-documentatie
• Overzicht van Azure Machine Learning pijplijnen
• GitHub Actions gebruiken om verbinding te maken met Azure met OpenID Connect
• workload-identiteitsfederatie
• Beveiliging beveiligen voor GitHub Actions
• Azure Machine Learning CLI en Python SDK v2