Podsumowanie

  • 2 min

W tym module prześledziłeś proces przejścia wytrenowanego modelu od rejestracji, przez zautomatyzowane wdrożenie, po monitorowanie w środowisku produkcyjnym w usłudze Azure Machine Learning.

Czego się nauczyłeś

  • Rejestrujesz i wersje modeli MLflow, a następnie archiwizowasz wersje, które nie muszą już być wyświetlane na listach domyślnych.
  • Poznasz etapy metodyki MLOps, które łączą tworzenie modeli z wdrażaniem, automatyzacją i monitorowaniem.
  • Używasz chronionych środowisk GitHub, aby ograniczyć dostęp do wdrożeń i wymagać zatwierdzenia przed wdrożeniem na produkcję.
  • Wdrażasz model w zarządzanym internetowym punkcie końcowym i używasz wdrożenia blue-green, aby przetestować nową wersję przed skierowaniem do niej ruchu produkcyjnego.
  • Rozwiązujesz problemy z niepowodzeniami wdrażania i oceniania, sprawdzając szczegóły wdrożenia i dzienniki kontenera.
  • Pozostawiasz poprzednie wdrożenie dostępne, aby móc cofnąć wdrożenie przez przekierowanie ruchu bez zmiany adresu URL punktu końcowego.
  • Automatyzujesz rejestrację, wdrażanie i testowanie przy użyciu GitHub Actions przy użyciu poświadczeń federacyjnych OIDC.
  • Wykorzystujesz sygnały operacyjne i sygnały monitorowania modelu, aby zdecydować, kiedy wycofać wdrożenie, zbadać problem lub ponownie wytrenować model.

Learn more