MLOps mit Azure Machine LearningMLOps with Azure Machine Learning

MLOps (Machine Learning Operations, Machine-Learning-Vorgänge) basieren auf den DevOps-Prinzipien und -Methoden, die die Effizienz von Workflows wie Continuous Integration, der Zustellung und der Bereitstellung steigern.MLOps (machine learning operations) is based on DevOps principles and practices that increase workflow efficiencies like continuous integration, delivery, and deployment. MLOps wendet diese Prinzipien auf den Machine Learning-Prozess mit folgendem Ziel an:MLOps applies these principles to the machine learning process in order to:

  • Schneller experimentieren und Modelle entwickeln.Experiment and develop models more quickly.
  • Schnellere Bereitstellung von Modellen für die Produktion.Deploy models to production more quickly.
  • Ausüben und Optimieren der Qualitätssicherung.Practice and refine quality assurance.

Azure Machine Learning bietet die folgenden MLOps-Features:Azure Machine Learning provides the following MLOps capabilities:

  • Erstellen reproduzierbarer Pipelines.Create reproducible pipelines. Mit Machine Learning-Pipelines können Sie wiederholbare und wiederverwendbare Schritte für Ihre Datenaufbereitungs-, Trainings- und Bewertungsprozesse definieren.Machine Learning pipelines enable you to define repeatable and reusable steps for your data preparation, training, and scoring processes.
  • Erstellen Sie wiederverwendbare Softwareumgebungen für das Training und die Bereitstellung von Modellen.Create reusable software environments for training and deploying models.
  • Registrieren, Verpacken und Bereitstellen von Modellen von überall aus.Register, package, and deploy models from anywhere. Sie können die zugehörigen Metadaten nachverfolgen, die für die Verwendung des Modells erforderlich sind.You can track the associated metadata required to use the model.
  • Erfassung der Governancedaten für den End-to-End-Lebenszyklus.Capture the governance data for the end-to-end lifecycle. Die protokollierten Informationen können umfassen, wer die Modelle veröffentlicht, warum Änderungen vorgenommen wurden und wann die Modelle bereitgestellt oder in der Produktionsumgebung verwendet wurden.The logged information can include who is publishing models, why changes were made, and when models were deployed or used in production.
  • Benachrichtigen und Warnen bei Ereignissen im Lebenszyklus.Notify and alert on events in the lifecycle. Beispielsweise können Sie Warnungen für die Durchführung von Experimenten, die Registrierung und Implementierung von Modellen sowie die Erkennung von Datendrift abrufen.For example, you can get alerts for experiment completion, model registration, model deployment, and data drift detection.
  • Überwachen von Anwendungen auf betriebliche und Machine Learning-Probleme.Monitor applications for operational and machine learning-related issues. Vergleichen Sie Modelleingaben zwischen Trainings- und Rückschlussphase, untersuchen Sie modellspezifische Metriken, und stellen Sie Überwachungsfunktionen und Warnungen für Ihre Machine Learning-Infrastruktur bereit.Compare model inputs between training and inference, explore model-specific metrics, and provide monitoring and alerts on your machine learning infrastructure.
  • Automatisieren des End-to-End-Machine Learning-Lebenszyklus mit Azure Machine Learning und Azure Pipelines.Automate the end-to-end machine learning lifecycle with Azure Machine Learning and Azure Pipelines. Mithilfe von Pipelines können Sie Modelle regelmäßig aktualisieren, neue Modelle testen und fortlaufende Rollouts von neuen Machine Learning-Modellen zusätzlich zu Ihren anderen Anwendungen und Diensten durchführen.With pipelines, you can frequently update models, test new models, and continuously roll out new machine learning models alongside your other applications and services.

Bewährte Methoden für MLOps mit Azure Machine LearningBest practices for MLOps with Azure Machine Learning

Modelle unterscheiden sich von Code, da sie eine natürliche Lebensdauer haben und sich ihre Funktion verschlechtert, wenn sie nicht gewartet werden.Models differ from code because they have an organic shelf life and will deteriorate unless maintained. Nach ihrer Bereitstellung können sie einen echten Geschäftswert bieten, insbesondere wenn Datenanalysten über die Tools zur Einführung von standardmäßigen Entwicklungsverfahren verfügen.After they're deployed, they can add real business value, and this gets easier when data scientists are given the tools to adopt standard engineering practices.

MLOps mit Azure unterstützt Sie bei folgenden Vorgängen:MLOps with Azure helps you:

  • Erstellen Sie reproduzierbare Modelle und wiederverwendbare Trainingspipelines.Create reproducible models and reusable training pipelines.
  • Vereinfachen der Paketerstellung, Überprüfung und Bereitstellung von Modellen für die Qualitätslenkung und A/B-TestsSimplify model packaging, validation, and deployment for quality control and a/B testing.
  • Erklären und beobachten Sie das Modellverhalten, und automatisieren Sie den Prozess für das erneute Trainieren.Explain and observe model behavior, and automate the retraining process.

MLOps verbessert die Qualität und Konsistenz ihrer Machine Learning-Lösungen.MLOps improves the quality and consistency of your machine learning solutions. Weitere Informationen zur Verwaltung des Lebenszyklus Ihrer Modelle mit Azure Machine Learning finden Sie unter MLOps: Modellverwaltung, -bereitstellung und -überwachung mit Azure Machine Learning.To learn more about how to use Azure Machine Learning to manage the lifecycle of your models, see MLOps: model management, deployment, and monitoring with Azure Machine Learning.

Nächste SchritteNext steps

Weitere Informationen finden Sie in den folgenden Ressourcen:Learn more by reading and exploring the following resources: