Explore a arquitetura de implementação e monitorização

Para manter o modelo de ausência fiável à medida que evolui, a equipa da Proseware segue um processo de operações de aprendizagem automática (MLOps) que abrange desde a configuração inicial até à monitorização contínua.

A arquitetura inclui:

• Configuração: Crie os recursos Azure de que a solução precisa.
• Desenvolvimento de modelos (ciclo interno): Explorar dados, treinar e avaliar modelos candidatos.
• Integração contínua: Empacotar e registrar o modelo.
• Implementação do modelo (laço externo): Implante o modelo num endpoint.
• Implementação contínua: Teste a implementação e promova-a de forma segura para produção.
• Monitorização: Acompanhe a saúde operacional do endpoint e as previsões do modelo ao longo do tempo.

O registo de um modelo é o ponto de transição entre as três primeiras fases e as três últimas. Depois de a equipa de ciência de dados treinar e registar um modelo, o resto deste módulo foca-se nessa segunda metade do ciclo: levar um modelo registado através da implementação, promoção segura, automação e monitorização.

Decida o que automatizar

Pode realizar manualmente cada uma destas fases posteriores no Estúdio do Azure Machine Learning. No entanto, como a Proseware planeia reeducar e reimplementar regularmente o modelo de ausência de apresentação, a equipa automatiza o registo, a implementação e os testes com o GitHub Actions, ativando o fluxo de trabalho sempre que uma nova versão do modelo está pronta. Automatizar estes passos repetitivos liberta a equipa para se concentrar em rever a qualidade do modelo, em vez de repetir manualmente os comandos de implementação.

A unidade seguinte mostra como um ambiente GitHub protegido transforma esse ponto de revisão numa porta de implementação aplicável.