Resumo

  • 2 minutos

Gerenciar o código de machine learning manualmente — um notebook, uma pessoa, uma execução de cada vez — não é dimensionado para uma equipe que precisa de rastreabilidade, experimentação segura e portões de qualidade automatizados. Este módulo explicou como criar essa camada de automação passo a passo.

O que você aprendeu

  • Versão dos scripts de treinamento, definições de trabalho, arquivos de ambiente e configuração no Git. Mantenha dados brutos, artefatos de modelo, saídas de execução e segredos em serviços específicos para essa finalidade, como os ativos de dados do Azure Machine Learning, o registro de modelos e os segredos do GitHub ou o Azure Key Vault.
  • O desenvolvimento baseado no trunk mantém main estável. Branches de curta duração isolam as alterações, pull requests permitem revisão, e regras de proteção de branch exigem as verificações obrigatórias antes da mesclagem.
  • Os fluxos de trabalho do GitHub Actions executam automaticamente linting e testes de unidade em pull requests, apresentando os resultados como verificações de status que podem bloquear o merge.
  • A federação de identidade de carga de trabalho com o OIDC é a maneira preferencial de autenticar GitHub Actions para Azure. Ele remove a necessidade de armazenar credenciais de longa duração e reduz o risco em comparação com os segredos do cliente da entidade de serviço.
  • Um fluxo de trabalho GitHub Actions envia um trabalho de comando ou trabalho de pipeline para Azure Machine Learning usando o CLI do Azure. Os gatilhos incluem pushes, solicitações de pull, execuções manuais, agendas e eventos de expedição de repositório enviados por intermediários, como Aplicativos Lógicos do Azure ou Azure Functions.

Saiba mais