Introdução

Implantar um modelo de machine learning treinado é apenas o ponto médio do ciclo de vida do modelo. Após a implantação, você ainda precisa promover um modelo com segurança e continuar observando como ele se comporta na produção. Este módulo percorre esse caminho, desde o registro de um modelo treinado até o monitoramento dele depois que ele atende ao tráfego ao vivo.

Na Proseware, Inc., uma empresa de tecnologia de saúde, você trabalha com uma equipe de ciência de dados que treina um modelo de classificação para prever se um paciente provavelmente perderá uma próxima consulta clínica. A equipe da clínica quer usar essas pontuações de risco de não comparecimento para decidir para quais pacientes ligar com antecedência e confirmar a consulta, reduzindo o desperdício de horários de atendimento. Seu trabalho como engenheiro de machine learning é pegar o modelo treinado da equipe de ciência de dados e fazê-lo ser executado de forma confiável em produção, com um processo automatizado repetível em que a equipe pode confiar à medida que o modelo evolui.

Neste módulo, você explorará como registrar e gerenciar versões de modelo do MLflow no Azure Machine Learning. Você implanta e soluciona problemas em um endpoint online gerenciado e, em seguida, promove ou reverte com segurança uma versão do modelo. Você usa ambientes GitHub para proteger a promoção de produção e GitHub Actions para automatizar a implantação. Você também explora como os sinais de monitoramento orientam a investigação e o retreinamento.

Ao final deste módulo, você será capaz de levar um modelo do MLflow desde o registro até a implantação automatizada e o monitoramento contínuo no Azure Machine Learning.

Objetivos de aprendizagem

Neste módulo, você saberá como:

• Registre, versione e arquive modelos do MLflow ao longo de todo o ciclo de vida.
• Use os ambientes do GitHub para controlar o acesso e exigir aprovação antes da promoção para produção.
• Implantar e solucionar problemas em um ponto de extremidade online gerenciado, promover um modelo com segurança e reverter para uma versão anterior.
• Automatize a implantação e o teste de modelo com GitHub Actions.
• Monitore um modelo implantado e reconheça sinais que exigem investigação ou retreinamento.