Explorar a arquitetura de implantação e monitoramento

Para manter o modelo de não comparecimento confiável à medida que evolui, a equipe da Proseware segue um processo de operações de machine learning (MLOps) que abrange desde a configuração inicial até o monitoramento contínuo.

A arquitetura inclui:

• Configuração: crie os recursos de Azure que a solução precisa.
• Desenvolvimento de modelo (loop interno): explore dados e treine e avalie modelos candidatos.
• Integração contínua: empacotar e registrar o modelo.
• Implantação do modelo (laço externo): Implantar o modelo em um endpoint.
• Implantação contínua: Teste a implantação e promova-a com segurança para produção.
• Monitoramento: Acompanhe a integridade operacional do endpoint e as previsões do modelo ao longo do tempo.

O registro de um modelo é o ponto de transição entre as três primeiras etapas e as três últimas. Depois que a equipe de ciência de dados treina e registra um modelo, o restante deste módulo se concentra nessa segunda metade do ciclo: usar um modelo registrado por meio de implantação, promoção segura, automação e monitoramento.

Decidir o que automatizar

Você pode executar cada um desses estágios posteriores manualmente em Estúdio do Azure Machine Learning. No entanto, como a Proseware planeja retreinar e reimplantar regularmente o modelo de não comparecimento, a equipe automatiza o registro, a implantação e os testes com GitHub Actions, acionando o fluxo de trabalho sempre que uma nova versão do modelo estiver pronta. Automatizar essas etapas repetitivas libera a equipe a se concentrar na revisão da qualidade do modelo em vez de repetir comandos de implantação manualmente.

A próxima unidade mostra como um ambiente protegido do GitHub transforma esse ponto de revisão em um gate de implantação obrigatório.