Sammanfattning

Att hantera maskininlärningskod manuellt – en notebook-fil, en person, en som körs i taget – skalas inte till ett team som behöver spårbarhet, säkra experiment och automatiserade kvalitetsgrindar. I den här modulen beskrivs hur du skapar automatiseringsskiktet steg för steg.

Det här har du lärt dig

• Versionshantera dina träningsskript, jobbdefinitioner, miljöfiler och konfiguration i Git. Behåll rådata, modellartefakter, körningsutdata och hemligheter i specialiserade tjänster som datatillgångar i Azure Machine Learning, modellregistret samt hemligheter i GitHub eller Azure Key Vault.
• Trunkbaserad utveckling håller sig main stabil. Kortlivade grenar isolerar ändringar, pull-begäranden aktiverar granskning och grenskyddsregler framtvingar nödvändiga kontroller innan de slås samman.
• GitHub Actions arbetsflöden kör lintnings- och enhetstester automatiskt på pull-begäranden och visar resultat som statuskontroller som kan blockera en sammanslagning.
• Arbetsbelastningsidentitetsfederation med OIDC är det bästa sättet att autentisera GitHub Actions till Azure. Det eliminerar behovet av att lagra långvariga autentiseringsuppgifter och minskar risken jämfört med klienthemligheter för tjänsthuvudobjekt.
• Ett GitHub Actions-arbetsflöde skickar ett kommandojobb eller pipelinejobb till Azure Machine Learning med Azure CLI. Utlösare omfattar push-meddelanden, pull-begäranden, manuella körningar, scheman och lagringsplatssändningshändelser som skickas av mellanhänder, till exempel Azure Logic Apps eller Azure Functions.

Learn more

• Dokumentation om GitHub Actions
• översikt över Azure Machine Learning pipelines
• Använd GitHub Actions för att ansluta till Azure med OpenID Connect
• Identitetsfederation för arbetsbelastning
• Säkerhetshärdning för GitHub Actions
• Azure Machine Learning CLI och Python SDK v2