Introdução

Um desafio comum ao desenvolver modelos de machine learning é preparar-se para cenários de produção. Ao escrever código para processar dados e treinar modelos, você deseja que o código seja escalonável, repetível e pronto para automação.

Embora os notebooks sejam ideais para experimentação e desenvolvimento, os scripts são mais adequados para cargas de trabalho de produção. No Azure Machine Learning, você pode executar um script como um trabalho de comando. Ao enviar um trabalho de comando, você pode configurar vários parâmetros, como os dados de entrada e o ambiente de computação.

Depois que o script de treinamento for executado como uma tarefa, você também deseja monitorar o desempenho do modelo ao longo do tempo. Você pode usar o MLflow para acompanhar métricas, parâmetros e artefatos diretamente de seus scripts. O MLflow é uma plataforma de software livre integrada ao Azure Machine Learning que permite comparar execuções e decidir sobre as próximas etapas.

Objetivos de aprendizagem

Neste módulo, você saberá como:

• Converter um bloco de anotações em um script.
• Testar scripts em um terminal.
• Execute um script como uma tarefa de comando.
• Use parâmetros em um trabalho de comando.
• Use o MLflow ao executar um script como uma tarefa.
• Examine métricas, parâmetros, artefatos e modelos de uma execução.

Vamos começar explorando por que os scripts são uma opção melhor do que os notebooks para cargas de trabalho de aprendizado de máquina de produção. E como converter seus notebooks existentes em scripts reutilizáveis e prontos para produção.