Introduction

Um desafio comum no desenvolvimento de modelos de aprendizagem automática é preparar-se para cenários de produção. Quando escreves código para processar dados e treinar modelos, queres que o código seja escalável, repetível e pronto para automação.

Embora os cadernos sejam ideais para experimentação e desenvolvimento, os scripts são mais adequados para cargas de trabalho de produção. No Azure Machine Learning, podes executar um script como um trabalho de comando. Quando submetes um trabalho de comando, podes configurar vários parâmetros como os dados de entrada e o ambiente de computação.

Depois de o seu script de treinamento ser executado como um trabalho, também quer monitorizar o desempenho do modelo ao longo do tempo. Podes usar o MLflow para acompanhar métricas, parâmetros e artefactos diretamente dos teus scripts. O MLflow é uma plataforma open-source integrada com Azure Machine Learning que lhe permite comparar execuções e decidir os próximos passos.

Objetivos de aprendizagem

Neste módulo, você aprenderá a:

• Converte um caderno num script.
• Scripts de teste num terminal.
• Executa um script como trabalho de comando.
• Use parâmetros num trabalho de comando.
• Use o MLflow quando executar um script como uma tarefa.
• Analise métricas, parâmetros, artefactos e modelos de uma execução.

Comecemos por explorar porque é que os scripts são uma escolha melhor do que os cadernos para cargas de trabalho de aprendizagem automática em produção. E como converter os seus cadernos existentes em scripts reutilizáveis e prontos para produção.