Registos de aprendizagem automática para MLOps

Este artigo descreve como os registos do Azure Machine Learning desacoplam ativos de aprendizagem automática dos espaços de trabalho, para que possa usar MLOps em ambientes de desenvolvimento, testes e produção. Seus ambientes podem variar com base na complexidade de seus sistemas de TI. Os seguintes fatores influenciam o número e o tipo de ambientes necessários:

• Políticas de segurança e conformidade. Os ambientes de produção podem precisar ser isolados dos ambientes de desenvolvimento em termos de controles de acesso, arquitetura de rede e exposição de dados.
• Subscrições. Os ambientes de desenvolvimento e os ambientes de produção geralmente usam assinaturas separadas para fins de faturamento, orçamento e gerenciamento de custos.
• Regiões. Talvez seja necessário implantar em diferentes regiões do Azure para dar suporte aos requisitos de latência e redundância.

Nos cenários anteriores, você pode usar diferentes espaços de trabalho do Azure Machine Learning para desenvolvimento, teste e produção. Essa configuração apresenta os seguintes desafios potenciais para treinamento e implantação de modelos:

• Talvez seja necessário treinar um modelo em um espaço de trabalho de desenvolvimento, mas implantá-lo em um ponto de extremidade em um espaço de trabalho de produção, possivelmente em uma assinatura ou região diferente do Azure. Neste caso, deve ser capaz de rastrear o trabalho de formação. Por exemplo, se você encontrar problemas de precisão ou desempenho com a implantação de produção, precisará analisar as métricas, logs, código, ambiente e dados usados para treinar o modelo.

• Talvez seja necessário desenvolver um pipeline de treinamento com dados de teste ou dados anonimizados no espaço de trabalho de desenvolvimento, mas treinar novamente o modelo com dados de produção no espaço de trabalho de produção. Neste caso, poderá ser necessário comparar métricas de treino em dados de amostra versus dados de produção para garantir que as otimizações de treino funcionam bem com dados reais.

MLOps entre áreas de trabalho com registos

Um registo, tal como um repositório Git, desacopla os ativos de aprendizagem automática dos espaços de trabalho e aloja os ativos numa localização central, para que todos os espaços de trabalho da sua organização possam aceder a eles. Use os registos para armazenar e partilhar ativos como modelos, ambientes, componentes e ativos de dados.

Para promover modelos através de ambientes de desenvolvimento, teste e produção, comece por desenvolver iterativamente um modelo no ambiente de desenvolvimento. Quando tiveres um bom modelo de candidato, publica-o num registo. Em seguida, pode implementar o modelo a partir do registo em pontos finais em diferentes espaços de trabalho.

Para desenvolver um pipeline em um espaço de trabalho e, em seguida, executá-lo em outros espaços de trabalho, comece registrando os componentes e ambientes que formam os blocos de construção do pipeline. Quando você envia o trabalho de pipeline, a computação e os dados de treinamento, que são exclusivos para cada espaço de trabalho, determinam o espaço de trabalho no qual ele será executado.

O diagrama a seguir mostra a promoção do pipeline de treinamento entre espaços de trabalho exploratórios e de desenvolvimento e, em seguida, a promoção do modelo treinado para teste e produção.

Próximos passos

• Criar e gerenciar registros do Azure Machine Learning
• Isolamento de rede com registos
• Partilhe modelos, componentes e ambientes entre espaços de trabalho com repositórios
• Partilha dados entre espaços de trabalho com registos