Wprowadzenie

Ręczne trenowanie modelu uczenia maszynowego sprawdza się tylko raz. To rozwiązanie nie skaluje się, gdy zespół codziennie wprowadza kolejne iteracje, musi ponownie trenować model na nowych danych lub musi wykazać, że każdą wersję modelu można prześledzić do sprawdzonej i zatwierdzonej zmiany.

Wyobraź sobie, że jesteś analitykiem danych w proseware. Twój zespół opracowuje aplikację mobilną, która pomaga lekarzom identyfikować pacjentów, którzy mogą potrzebować dalszych badań przesiewowych lub leczenia cukrzycy. Masz skrypt treningowy dla modelu klasyfikacji, ale każde uruchomienie wymaga, aby ktoś pamiętał właściwe polecenie, podał dane uwierzytelniające i monitorował wyniki. Gdy współpracownik zmienia sposób przygotowywania danych pacjentów, nie ma automatycznego sprawdzenia, czy model nadal trenuje pomyślnie lub spełnia wymagania dotyczące dokładności.

Ten moduł tworzy warstwę automatyzacji od podstaw. Zaczynasz od systemu kontroli wersji — co wersjonować, a co przechowywać w dedykowanych repozytoriach. Następnie zapoznasz się z programowaniem opartym na magistrali jako sposobem ochrony kodu produkcyjnego, gdy zespół iteruje. Następnie przyjrzysz się, jak GitHub Actions automatycznie weryfikuje proponowane zmiany przed scaleniem, jak bezpiecznie połączyć te przepływy pracy z platformą Azure oraz jak wyzwalać zadania Azure Machine Learning na podstawie zdarzeń GitHub i sygnałów po stronie platformy Azure.

Po ukończeniu tego modułu będziesz w stanie określić, które zasoby uczenia maszynowego powinny być przechowywane w repozytorium Git, opisać, w jaki sposób programowanie oparte na gałęzi głównej reguluje zmiany, oraz wyjaśnić, jak przepływ pracy GitHub Actions sprawdza poprawność kodu, uwierzytelnia się w usłudze Azure i przesyła zadania usługi Azure Machine Learning.