Introdução

Treinar manualmente um modelo de aprendizado de máquina só funciona uma vez. Isso não escala quando sua equipe itera diariamente, precisa retreinar com dados novos ou deve demonstrar que cada versão do modelo possa ser rastreada até uma mudança revisada e aprovada.

Imagine que você é um cientista de dados no Proseware. Sua equipe está desenvolvendo um aplicativo móvel que ajuda os profissionais a identificar pacientes que podem precisar de mais rastreamento ou tratamento de diabetes. Você tem um script de treinamento para o modelo de classificação, mas cada execução requer que alguém se lembre do comando certo, forneça credenciais e observe a saída. Quando um colega altera a forma como os dados do paciente são preparados, não há verificação automática de que o modelo ainda treina com êxito ou atende a seu requisito de precisão.

Este módulo cria a camada de automação do zero. Você começa com o controle de versão — o que versionar e o que manter em armazenamentos específicos para essa finalidade. Em seguida, você explora o desenvolvimento baseado em tronco como uma forma de proteger o código de produção enquanto a equipe itera. A partir daí, você vê como o GitHub Actions valida automaticamente as alterações propostas antes de serem mescladas, como conectar esses fluxos de trabalho ao Azure com segurança e como disparar trabalhos do Azure Machine Learning a partir de eventos do GitHub e de sinais do lado do Azure.

Ao final deste módulo, você pode identificar quais ativos de machine learning pertencem ao Git, descrever como o desenvolvimento baseado em tronco rege as alterações e explicar como um fluxo de trabalho GitHub Actions valida código, autentica para Azure e envia trabalhos Azure Machine Learning.