Podsumowanie

  • 2 min

Ręczne zarządzanie kodem uczenia maszynowego — jeden notatnik, jedna osoba, jedno uruchomienie naraz — nie skaluje się w przypadku zespołu, który potrzebuje identyfikowalności, bezpiecznego eksperymentowania i zautomatyzowanych bram jakości. W tym module wyjaśniono, jak utworzyć tę warstwę automatyzacji krok po kroku.

Czego się nauczyłeś

  • Wersjonuj skrypty szkoleniowe, definicje zadań, pliki środowiska i konfigurację w usłudze Git. Zachowaj nieprzetworzone dane, artefakty modelu, uruchamiaj dane wyjściowe i wpisy tajne w specjalnie utworzonych usługach, takich jak zasoby danych Azure Machine Learning, rejestr modelu i wpisy tajne GitHub lub Azure Key Vault.
  • Rozwój oparty na gałęzi głównej utrzymuje main w stabilnym stanie. Gałęzie krótkotrwałe izolują zmiany, pull requesty umożliwiają przegląd zmian, a reguły ochrony gałęzi wymuszają wymagane kontrole przed scaleniem.
  • Przepływy pracy GitHub Actions automatycznie uruchamiają linting i testy jednostkowe dla pull requestów, prezentując wyniki jako kontrole stanu, które mogą zablokować scalenie.
  • Federacja tożsamości obciążeń z użyciem OIDC to preferowany sposób uwierzytelniania GitHub Actions w usłudze Azure. Eliminuje to konieczność przechowywania długoterminowych poświadczeń i zmniejsza ryzyko w porównaniu z kluczami tajnymi klienta jednostki usługi.
  • Przepływ pracy GitHub Actions przesyła zadanie polecenia lub zadanie potoku do Azure Machine Learning przy użyciu Azure CLI. Wyzwalacze obejmują operacje wypchnięcia, pull requesty, ręczne uruchomienia, harmonogramy oraz zdarzenia repository_dispatch wysyłane przez pośredników, takich jak Azure Logic Apps lub Azure Functions.

Learn more