Resumo
Gerir o código de aprendizagem automática manualmente — um caderno, uma pessoa, uma execução de cada vez — não se adapta a uma equipa que precisa de rastreabilidade, experimentação segura e portas de qualidade automatizadas. Este módulo explicou como construir essa camada de automação passo a passo.
O que aprendeste
- Adapta os teus scripts de treino, definições de tarefas, ficheiros de ambiente e configuração no Git. Guarde dados brutos, artefactos de modelo, saídas de execução e segredos em serviços construídos para esse fim, como ativos de dados do Azure Machine Learning, o registo de modelos, segredos do GitHub ou Azure Key Vault.
- O desenvolvimento baseado no trunk mantém
mainestável. As ramificações de curta duração isolam alterações, os pedidos de integração permitem a revisão e as regras de proteção de ramificações impõem verificações obrigatórias antes da integração. - Os fluxos de trabalho do GitHub Actions executam automaticamente a verificação de lint e os testes unitários em pedidos de pull, apresentando os resultados sob a forma de verificações de estado que podem impedir a integração.
- A federação de identidade de carga de trabalho com OIDC é a forma preferida de autenticar GitHub Actions no Azure. Elimina a necessidade de armazenar credenciais de longa duração e reduz o risco em comparação com os segredos do cliente principal de serviço.
- Um fluxo de trabalho do GitHub Actions submete um job de comando ou um trabalho de pipeline para o Azure Machine Learning usando a CLI do Azure. Os gatilhos incluem pushes, pull requests, execuções manuais, agendamentos e eventos de despacho de repositórios enviados por intermediários como o Azure Logic Apps ou o Funções do Azure.