探索部署與監控架構
為了在演進中保持無缺席模式的可靠性，Proseware 團隊採用 機器學習操作 （MLOps）流程，涵蓋從初始設定到持續監控的各個環節。
注意
此圖為 MLOps 架構的簡化表示。 欲探索更詳細的實作集，請參閱 MLOps v2 解決方案加速器。
架構包含：
- 設定：建立解決方案所需的 Azure 資源。
- 模型開發（內迴圈）：探索資料，並訓練與評估候選模型。
- 持續整合：封裝並註冊模型。
- 模型部署（外環）：將模型部署到端點。
- 持續部署：測試部署並安全地將其提升至生產環境。
- 監控：追蹤端點的運作健康狀況及模型隨時間的預測。
註冊模型是銜接前三個階段和後三個階段的樞紐。 資料科學團隊訓練並註冊模型後，本模組的其餘部分將聚焦於週期的後半段：將已註冊模型帶入部署、安全推廣、自動化與監控。
決定要自動化什麼
你可以在 Azure Machine Learning 工作室 手動執行這些後期階段。 然而，由於 Proseware 計劃定期重新訓練並重新部署無缺席模型，團隊會用 GitHub Actions 自動化註冊、部署與測試，並在新模型版本準備好時觸發工作流程。 自動化這些重複步驟，讓團隊能專注於檢視模型品質，而不必手動重複部署指令。
注意
自動化是MLOps的核心，但它無法取代人類的判斷。 最佳做法是讓相關人員參與決策，例如將新模型版本升級至全面生產流量或調查監控警示。
下一個單元展示受保護的 GitHub 環境如何將該審查點轉化為可執行的部署門檻。