Introdução

Treinar manualmente um modelo de aprendizagem automática funciona uma vez. Isto não é escalável quando a sua equipa itera diariamente, precisa de voltar a treinar com dados novos ou tem de demonstrar que é possível rastrear cada versão do modelo até uma alteração revista e aprovada.

Imagina que és cientista de dados na Proseware. A sua equipa está a desenvolver uma aplicação móvel que ajuda os profissionais a identificar pacientes que possam necessitar de rastreio ou tratamento adicional da diabetes. Tens um script de treino para o modelo de classificação, mas cada execução exige que alguém se lembre do comando correto, forneça credenciais e observe o resultado. Quando um colega altera a forma como os dados do paciente são preparados, não há verificação automática de que o modelo ainda treina com sucesso ou cumpre o seu requisito de precisão.

Este módulo constrói a camada de automação do zero. Começa com o controlo de código-fonte — o que deve ser sujeito a controlo de versões e o que manter em armazenamentos específicos. Depois, exploras o desenvolvimento baseado em trunks como forma de proteger o código de produção enquanto a equipa faz iterações. A partir daí, analisa como o GitHub Actions valida automaticamente as alterações propostas antes da sua fusão, como ligar esses fluxos de trabalho ao Azure de forma segura e como ativar trabalhos de Azure Machine Learning a partir de eventos do GitHub e sinais do lado do Azure.

No final deste módulo, pode identificar quais os ativos de aprendizagem automática que pertencem ao Git, descrever como o desenvolvimento baseado em troncos governa as mudanças e explicar como um fluxo de trabalho do GitHub Actions valida código, autentica no Azure e submete trabalhos de Azure Machine Learning.