Projetar para novo treinamento

Ao preparar seu modelo para produção em uma solução de MLOps (operações de aprendizado de máquina), você precisa projetar para novo treinamento.

Geralmente, existem duas abordagens ao querer re-treinar um modelo.

• Com base em um cronograma: quando você sabe que sempre precisa da versão mais recente do modelo, pode decidir treinar novamente seu modelo toda semana ou todos os meses, com base em um cronograma.
• Com base nas métricas: se você quiser re-treinar o modelo somente quando necessário, poderá monitorar o desempenho e a deriva de dados do modelo para decidir quando precisa re-treiná-lo.

Em ambos os casos, você precisa projetar para treinar novamente. Para treinar novamente seu modelo com facilidade, você deve preparar seu código para automação.

Prepare seu código

Idealmente, você deve treinar modelos com scripts em vez de notebooks. Os scripts são mais adequados para automação. Você pode adicionar parâmetros a um script e alterar parâmetros de entrada, como os dados de treinamento ou valores de hiperparâmetro. Ao parametrizar seus scripts, você pode facilmente treinar de novo o modelo com novos dados, se necessário.

Outra coisa importante para preparar seu código é hospedar o código em um repositório central. Um repositório refere-se ao local em que todos os arquivos relevantes para um projeto podem ser armazenados. Com projetos de aprendizado de máquina, os repositórios baseados em Git são ideais para obter o controle do código-fonte.

Ao aplicar o controle do código-fonte ao seu projeto, você pode colaborar facilmente em um projeto. Você pode atribuir alguém para melhorar o modelo atualizando o código. Você poderá ver alterações passadas e examinar as alterações antes que elas sejam confirmadas no repositório principal.

Automatizar seu código

Quando você quiser executar automaticamente seu código, poderá configurar trabalhos do AML (Azure Machine Learning) para executar scripts. No Azure Machine Learning, você também pode criar e agendar pipelines para rodar scripts.

Se você quiser que os scripts sejam executados com base em um gatilho ou evento que esteja acontecendo fora do Azure Machine Learning, convém disparar o trabalho do Azure Machine Learning de outra ferramenta.

Duas ferramentas comumente usadas em projetos de MLOps são o Azure DevOps e o GitHub (Actions). Ambas as ferramentas permitem que você crie pipelines de automação e podem disparar pipelines do Machine Learning do Azure.

Como cientista de dados, talvez você prefira trabalhar com o SDK do Python do Azure Machine Learning. No entanto, ao trabalhar com ferramentas como o Azure DevOps e o GitHub, você pode preferir configurar os recursos e trabalhos necessários com a extensão da CLI do Azure Machine Learning. A CLI do Azure foi projetada para automatizar tarefas e pode ser mais fácil de usar com o Azure DevOps e o GitHub.