Azure Machine Learning 管線是將完整機器學習工作自動化的工作流程。 它標準化了最佳實踐，支持團隊協作，並提高了效率。
為什麼需要 Azure Machine Learning 管線？
管線會將機器學習任務拆分成多個步驟。 每個步驟都是可管理的組件，你可以分別開發和自動化。 Azure Machine Learning 會管理步驟之間的相依性。 這種模組化方法標準化了 MLOps，支持團隊協作，提升訓練效率，並降低成本。
將 MLOps 實務標準化並支援可調整的小組共同作業
MLOps 可自動建置和部署模型。 管道透過將每個步驟映射到特定任務來簡化此過程，因此團隊可以獨立工作。
例如，專案可能包括資料收集、準備、訓練、評估和部署。 資料工程師、科學家和 ML 工程師各自擁有自己的步驟。 步驟最好建置為 元件，然後整合到單一工作流程中。 管線可以透過 DevOps 實務進行版本控制、自動化和標準化。
訓練效率與成本降低
管道還可以提高效率並降低成本。 它們會重複使用未變更步驟的輸出，並可讓您在工作的最佳運算資源上執行每個步驟。
開始使用最佳實務
您可以透過數種方式建置管線，視您的起點而定。
如果您是管線的新手，請先將現有程式碼分割成步驟、參數化輸入，並將所有內容包裝成管線。
若要擴展，請針對常見問題使用管線範本。 團隊建立範本分支，處理指派的步驟，並視需要僅更新自己負責的部分。
借助可重複使用的管道和組件，團隊可以通過克隆或組合現有部分來快速創建新的工作流程。
您可以使用 CLI、 Python SDK 或 設計工具 UI 來建置管線。
我應該使用哪一種 Azure 管線技術？
Azure 提供數種類型的管線，以供不同的用途使用：
| 情境 | 主要角色 | Azure 供應項目 | OSS 供應項目 | 標準管道 | 優勢 |
|---|---|---|---|---|---|
| 模型編排（機器學習） | 資料科學家 | Azure Machine Learning 管線 | Kubeflow 管線 | 資料 -> 模型 | 散佈、快取、程式碼優先、重用 |
| 資料協調流程 (資料準備) | 資料工程師 | Azure Data Factory 管線 | Apache Airflow | 資料 -> 資料 | 強型別移動、以資料為中心的活動 |
| 程式碼與應用程式協調 (CI/CD) | 應用程式開發人員 / 維運 | Azure Pipelines | Jenkins | 程式碼 + 模型 -> 應用程式/服務 | 最開放且彈性的活動支援、核准佇列、具備閘道的階段 |
下一步
Azure Machine Learning 管線從開發開始就新增價值。