Introdução

A implementação de um modelo treinado de aprendizagem automática é apenas o ponto médio do ciclo de vida do modelo. Após a implantação, ainda é preciso promover um modelo em segurança e continuar a acompanhar o seu comportamento em produção. Este módulo percorre esse percurso, desde o registo de um modelo treinado até ao seu acompanhamento depois de servir o tráfego em tempo real.

Na Proseware, Inc., uma empresa de tecnologia de saúde, trabalha com uma equipa de ciência de dados que treina um modelo de classificação para prever se um paciente provavelmente faltará a uma consulta próxima na clínica. O pessoal da clínica quer usar estes índices de risco de ausência para decidir a quem ligar antecipadamente para confirmar, reduzindo o desperdício de horários de consultas. O seu trabalho como engenheiro de aprendizagem automática é pegar no modelo treinado da equipa de ciência de dados e colocá-lo a funcionar de forma fiável em produção, com um processo automatizado e repetível em que a equipa possa confiar à medida que o modelo evolui.

Neste módulo, explora como registar e gerir versões de modelos MLflow no Azure Machine Learning. Implementas e resolves um endpoint online gerido, depois promoves ou revertes com segurança uma versão do modelo. Usas ambientes GitHub para proteger a promoção da produção e GitHub Actions para automatizar a implementação. Também explora como a monitorização dos sinais orienta a investigação e a requalificação.

No final deste módulo, é possível adotar um modelo MLflow desde o registo até à implementação automatizada e monitorização contínua no Azure Machine Learning.

Objetivos de aprendizagem

Neste módulo, você aprenderá a:

• Registar, versionar e arquivar modelos MLflow ao longo do seu ciclo de vida.
• Utilize ambientes do GitHub para controlar o acesso e exigir aprovação antes da promoção para produção.
• Implemente e resolva um endpoint online gerido, promova um modelo de forma segura e volte a uma versão anterior.
• Automatizar a implementação e testes do modelo com o GitHub Actions.
• Monitorizar um modelo implementado e reconhecer sinais que exigem investigação ou requalificação.