MLOps: Verwaltung, Bereitstellung und Überwachung von Modellen mit Azure Machine LearningMLOps: Model management, deployment, and monitoring with Azure Machine Learning

In diesem Artikel erfahren Sie, wie Sie Azure Machine Learning verwenden, um den Lebenszyklus Ihrer Modelle zu verwalten.In this article, learn about how to use Azure Machine Learning to manage the lifecycle of your models. Azure Machine Learning verwendet einen Machine Learning Operations-Ansatz (MLOps).Azure Machine Learning uses a Machine Learning Operations (MLOps) approach. MLOps verbessert die Qualität und Konsistenz ihrer Machine Learning-Lösungen.MLOps improves the quality and consistency of your machine learning solutions.

Was ist MLOps?What is MLOps?

Machine Learning-Vorgänge (MLOps) basieren auf DevOps-Prinzipien und -Methoden, die die Effizienz von Workflows erhöhen.Machine Learning Operations (MLOps) is based on DevOps principles and practices that increase the efficiency of workflows. Beispiele sind Continuous Integration, Continuous Delivery und Continuous Deployment.For example, 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, with the goal of:

  • Schnelleres Experimentieren und Entwickeln von ModellenFaster experimentation and development of models
  • Schnellere Bereitstellung von Modellen in der ProduktionsumgebungFaster deployment of models into production
  • QualitätssicherungQuality assurance

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

  • Erstellen reproduzierbarer ML-Pipelines.Create reproducible ML pipelines. Mit Machine Learning-Pipelines können Sie wiederholbare und wiederverwendbare Schritte für Ihre Datenaufbereitungs-, Trainings- und Bewertungsprozesse definieren.Machine Learning pipelines allow 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 auch zugehörige Metadaten nachverfolgen, die für die Verwendung des Modells erforderlich sind.You can also track associated metadata required to use the model.
  • Erfassung der Governancedaten für den End-to-End-ML-Lebenszyklus.Capture the governance data for the end-to-end ML 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 ML-Lebenszyklus.Notify and alert on events in the ML lifecycle. Beispielsweise die Durchführung von Experimenten, die Registrierung und Bereitstellung von Modellen sowie die Erkennung von Datendrift.For example, experiment completion, model registration, model deployment, and data drift detection.
  • Überwachen von ML-Anwendungen auf betriebs- und ML-bezogene Probleme.Monitor ML applications for operational and ML-related issues. Vergleichen Sie Modelleingaben zwischen Trainings- und Inferenzphase, untersuchen Sie modellspezifische Metriken, und stellen Sie Überwachungsfunktionen und Warnungen für Ihre ML-Infrastruktur bereit.Compare model inputs between training and inference, explore model-specific metrics, and provide monitoring and alerts on your ML infrastructure.
  • Automatisieren des End-to-End-ML-Lebenszyklus mit Azure Machine Learning und Azure Pipelines.Automate the end-to-end ML lifecycle with Azure Machine Learning and Azure Pipelines. Mithilfe von Pipelines können Sie Modelle regelmäßig aktualisieren, neue Modelle testen und fortlaufende Rollouts von neuen ML-Modellen zusätzlich zu Ihren anderen Anwendungen und Diensten durchführen.Using pipelines allows you to frequently update models, test new models, and continuously roll out new ML models alongside your other applications and services.

Erstellen reproduzierbarer ML-PipelinesCreate reproducible ML pipelines

Verwenden Sie ML-Pipelines aus Azure Machine Learning, um alle Schritte zu verbinden, die am Trainingsprozess Ihres Modells beteiligt sind.Use ML pipelines from Azure Machine Learning to stitch together all of the steps involved in your model training process.

Eine ML-Pipeline kann Schritte aus der Datenaufbereitung über die Featureextraktion und die Optimierung von Hyperparametern bis hin zur Modellauswertung enthalten.An ML pipeline can contain steps from data preparation to feature extraction to hyperparameter tuning to model evaluation. Weitere Informationen finden Sie im Artikel zu ML-Pipelines.For more information, see ML pipelines.

Wenn Sie den Designer zum Erstellen Ihrer ML-Pipelines verwenden, können Sie jederzeit auf die "..." oben rechts auf der Designer-Seite klicken und dann Klonen auswählen.If you use the Designer to create your ML pipelines, you may at any time click the "..." at the top-right of the Designer page and then select Clone. Durch das Klonen der Pipeline können Sie das Pipelinedesign durchlaufen, ohne Ihre alten Versionen zu verlieren.Cloning your pipeline allows you to iterate your pipeline design without losing your old versions.

Erstellen von wiederverwendbaren SoftwareumgebungenCreate reusable software environments

Azure Machine Learning-Umgebungen gestatten es Ihnen, die Softwareabhängigkeiten Ihrer Projekte in ihrem zeitlichen Ablauf nachzuverfolgen und zu reproduzieren.Azure Machine Learning environments allow you to track and reproduce your projects' software dependencies as they evolve. Mithilfe von Umgebungen können Sie sicherstellen, dass Builds ohne manuelle Softwarekonfigurationen reproduzierbar sind.Environments allow you to ensure that builds are reproducible without manual software configurations.

Die Umgebungen beschreiben die pip- und Conda-Abhängigkeiten für Ihre Projekte und können sowohl für das Training als auch für die Bereitstellung von Modellen verwendet werden.Environments describe the pip and Conda dependencies for your projects, and can be used for both training and deployment of models. Weitere Informationen finden Sie unter Was sind Azure Machine Learning-Umgebungen?.For more information, see What are Azure Machine Learning environments.

Registrieren, Verpacken und Bereitstellen von Modellen von überall ausRegister, package, and deploy models from anywhere

Registrieren und Nachverfolgen von ML-ModellenRegister and track ML models

Die Modellregistrierung ermöglicht es Ihnen, Ihre Modelle in der Azure-Cloud in Ihrem Arbeitsbereich zu speichern und zu versionieren.Model registration allows you to store and version your models in the Azure cloud, in your workspace. Die Modellregistrierung erleichtert das Organisieren und Verwalten von trainierten Modellen.The model registry makes it easy to organize and keep track of your trained models.

Tipp

Ein registriertes Modell ist ein logischer Container für eine oder mehrere Dateien, aus denen Ihr Modell besteht.A registered model is a logical container for one or more files that make up your model. Wenn Sie beispielsweise ein Modell verwenden, das in mehreren Dateien gespeichert ist, können Sie diese als einzelnes Modell in Ihrem Azure Machine Learning-Arbeitsbereich registrieren.For example, if you have a model that is stored in multiple files, you can register them as a single model in your Azure Machine Learning workspace. Nach der Registrierung können Sie das registrierte Modell dann herunterladen oder bereitstellen und alle Dateien empfangen, die registriert wurden.After registration, you can then download or deploy the registered model and receive all the files that were registered.

Registrierte Modelle werden anhand des Namens und der Version identifiziert.Registered models are identified by name and version. Jedes Mal, wenn Sie ein Modell mit dem gleichen Namen wie ein bereits vorhandenes Modell registrieren, erhöht die Registrierung die Versionsnummer.Each time you register a model with the same name as an existing one, the registry increments the version. Zusätzliche Metadatentags können während der Registrierung bereitgestellt werden.Additional metadata tags can be provided during registration. Diese Tags werden dann bei der Suche nach einem Modell verwendet.These tags are then used when searching for a model. Azure Machine Learning unterstützt Modelle, die mit Python 3.5.2 oder höher geladen werden können.Azure Machine Learning supports any model that can be loaded using Python 3.5.2 or higher.

Tipp

Sie können auch Modelle registrieren, die außerhalb von Azure Machine Learning trainiert wurden.You can also register models trained outside Azure Machine Learning.

Sie können kein registriertes Modell löschen, das in einer aktiven Bereitstellung verwendet wird.You can't delete a registered model that is being used in an active deployment. Weitere Informationen finden Sie im Abschnitt „Registrieren eines Modells“ von Bereitstellen von Modellen.For more information, see the register model section of Deploy models.

Wichtig

Bei Verwendung der Option „Filtern nach Tags“ auf der Seite „Modelle“ von Azure Machine Learning Studio müssen Kunden TagName=TagValue (ohne Leerzeichen) anstelle von TagName : TagValue verwenden.When using Filter by Tags option on the Models page of Azure Machine Learning Studio, instead of using TagName : TagValue customers should use TagName=TagValue (without space)

ProfilmodelleProfile models

Azure Machine Learning kann Ihnen helfen, die CPU- und Arbeitsspeicheranforderungen des Diensts zu verstehen, der bei der Bereitstellung Ihres Modells erstellt wird.Azure Machine Learning can help you understand the CPU and memory requirements of the service that will be created when you deploy your model. Die Profilerstellung testet den Dienst, der Ihr Modell ausführt, und gibt Informationen wie CPU-Auslastung, Speicherauslastung und Antwortlatenz zurück.Profiling tests the service that runs your model and returns information such as the CPU usage, memory usage, and response latency. Sie bietet auch eine CPU- und Speicherempfehlung auf der Grundlage der Ressourcenauslastung.It also provides a CPU and memory recommendation based on the resource usage. Weitere Informationen finden Sie im Abschnitt „Profilerstellung“ von Bereitstellen von Modellen.For more information, see the profiling section of Deploy models.

Packen und Debuggen von ModellenPackage and debug models

Vor dem Bereitstellen eines Modells in der Produktion wird es in ein Docker-Image gepackt.Before deploying a model into production, it is packaged into a Docker image. In den meisten Fällen erfolgt die Imageerstellung während der Bereitstellung automatisch im Hintergrund.In most cases, image creation happens automatically in the background during deployment. Sie können das Image auch manuell angeben.You can manually specify the image.

Wenn Probleme bei der Bereitstellung auftreten, können Sie ein Modell für Problembehandlung und Debugging in Ihrer lokalen Entwicklungsumgebung bereitstellen.If you run into problems with the deployment, you can deploy on your local development environment for troubleshooting and debugging.

Weitere Informationen finden Sie unter Bereitstellen von Modellen und Problembehandlung von Bereitstellungen.For more information, see Deploy models and Troubleshooting deployments.

Konvertieren und Optimieren von ModellenConvert and optimize models

Die Konvertierung Ihres Modells zu Open Neural Network Exchange (ONNX) kann die Leistung verbessern.Converting your model to Open Neural Network Exchange (ONNX) may improve performance. Im Durchschnitt lässt sich durch eine Konvertierung zu ONNX eine 2-fache Leistungssteigerung erzielen.On average, converting to ONNX can yield a 2x performance increase.

Weitere Informationen zu ONNX mit Azure Machine Learning finden Sie im Artikel Erstellen und Beschleunigen von ML-Modellen.For more information on ONNX with Azure Machine Learning, see the Create and accelerate ML models article.

Verwenden von ModellenUse models

Trainierte Machine Learning-Modelle werden als Webdienste in der Cloud oder lokal bereitgestellt.Trained machine learning models are deployed as web services in the cloud or locally. Sie können Modelle auch auf Azure IoT Edge-Geräten bereitstellen.You can also deploy models to Azure IoT Edge devices. Bereitstellungen verwenden CPUs, GPUs oder Field Programmable Gate Arrays (FPGAs) für das Ziehen von Rückschlüssen.Deployments use CPU, GPU, or field-programmable gate arrays (FPGA) for inferencing. Sie können auch Modelle aus Power BI verwenden.You can also use models from Power BI.

Wenn Sie ein Modell als Webdienst oder auf einem IoT Edge-Gerät verwenden, stellen Sie die folgenden Elemente bereit:When using a model as a web service or IoT Edge device, you provide the following items:

  • Die Modelle, die zum Bewerten der Daten dienen, die an den Dienst bzw. das Gerät übermittelt werden.The model(s) that are used to score data submitted to the service/device.
  • Ein Eingabeskript.An entry script. Dieses Skript akzeptiert Anforderungen, verwendet die Modelle zum Bewerten der Daten und gibt eine Antwort zurück.This script accepts requests, uses the model(s) to score the data, and return a response.
  • Eine Azure Machine Learning-Umgebung, die die pip- und Conda-Abhängigkeiten beschreibt, die von dem/den Modell(en) und dem Eingabeskript benötigt werden.An Azure Machine Learning environment that describes the pip and Conda dependencies required by the model(s) and entry script.
  • Zusätzliche Ressourcen wie Text, Daten usw., die von den Modellen und vom Eingabeskript benötigt werden.Any additional assets such as text, data, etc. that are required by the model(s) and entry script.

Sie stellen auch die Konfiguration der Zielbereitstellungsplattform bereit.You also provide the configuration of the target deployment platform. Beispielsweise den Typ der VM-Familie, den verfügbaren Arbeitsspeicher und die Anzahl von Kernen bei der Bereitstellung in Azure Kubernetes Service.For example, the VM family type, available memory, and number of cores when deploying to Azure Kubernetes Service.

Wenn das Image erstellt wird, werden auch die Komponenten hinzugefügt, die von Azure Machine Learning benötigt werden.When the image is created, components required by Azure Machine Learning are also added. Beispielsweise die Ressourcen, die erforderlich sind, um den Webdienst auszuführen und mit IoT Edge zu interagiere.For example, assets needed to run the web service and interact with IoT Edge.

BatchbewertungBatch scoring

Die Batchbewertung durch ML-Pipelines wird unterstützt.Batch scoring is supported through ML pipelines. Weitere Informationen finden Sie im Artikel Batchvorhersagen für Big Data.For more information, see Batch predictions on big data.

Echtzeit-WebdiensteReal-time web services

Sie können Ihre Modelle in Webdiensten mit den folgenden Computezielen verwenden:You can use your models in web services with the following compute targets:

  • Azure Container InstancesAzure Container Instance
  • Azure Kubernetes ServiceAzure Kubernetes Service
  • Lokale EntwicklungsumgebungLocal development environment

Um das Modell als Webdienst bereitzustellen, müssen Sie folgende Elemente zur Verfügung stellen:To deploy the model as a web service, you must provide the following items:

  • Das Modell oder ein Ensemble von Modellen.The model or ensemble of models.
  • Abhängigkeiten, die zur Nutzung des Modells erforderlich sind.Dependencies required to use the model. Beispielsweise ein Skript, das Anforderungen akzeptiert und das Modell aufruft, Conda-Abhängigkeiten, usw.For example, a script that accepts requests and invokes the model, conda dependencies, etc.
  • Eine Bereitstellungskonfiguration, die beschreibt, wie und wo das Modell bereitgestellt werden soll.Deployment configuration that describes how and where to deploy the model.

Weitere Informationen finden Sie unter Bereitstellen von Modellen.For more information, see Deploy models.

Kontrollierter RolloutControlled rollout

Bei der Bereitstellung in Azure Kubernetes Service können Sie einen kontrollierten Rollout verwenden, um die folgenden Szenarien zu unterstützen:When deploying to Azure Kubernetes Service, you can use controlled rollout to enable the following scenarios:

  • Erstellen mehrerer Versionen eines Endpunkts für eine BereitstellungCreate multiple versions of an endpoint for a deployment
  • Durchführen von A/B-Tests über die Weiterleitung von Datenverkehr an verschiedene Versionen des EndpunktsPerform A/B testing by routing traffic to different versions of the endpoint.
  • Wechsel zwischen Endpunktversionen durch Aktualisierung des Prozentsatzes an Datenverkehr in der EndpunktkonfigurationSwitch between endpoint versions by updating the traffic percentage in endpoint configuration.

Weitere Informationen finden Sie unter Kontrollierter Rollout von ML-Modellen.For more information, see Controlled rollout of ML models.

IoT Edge-GeräteIoT Edge devices

Sie können Modelle mit IoT-Geräten über Azure IoT Edge-Module verwenden.You can use models with IoT devices through Azure IoT Edge modules. IoT Edge-Module werden auf einem Hardwaregerät bereitgestellt, wodurch Rückschlüsse bzw. Modellbewertungen auf dem Gerät ermöglicht werden.IoT Edge modules are deployed to a hardware device, which enables inference, or model scoring, on the device.

Weitere Informationen finden Sie unter Bereitstellen von Modellen.For more information, see Deploy models.

AnalyticsAnalytics

Microsoft Power BI unterstützt die Verwendung von Machine Learning-Modellen für Datenanalysen.Microsoft Power BI supports using machine learning models for data analytics. Weitere Informationen finden Sie unter Integration von Azure Machine Learning in Power BI (Vorschau).For more information, see Azure Machine Learning integration in Power BI (preview).

Sammeln der erforderlichen Governancedaten zur Erfassung des ML-Lebenszyklus End-to-EndCapture the governance data required for capturing the end-to-end ML lifecycle

Bei Azure ML können Sie den End-to-End-Überwachungspfad Ihrer gesamten ML-Ressourcen durch Verwendung von Metadaten nachverfolgen.Azure ML gives you the capability to track the end-to-end audit trail of all of your ML assets by using metadata.

  • Azure ML ist mit Git integriert, um nachverfolgen zu können, von welchem Repository, welcher Branch oder welchem Commit Ihr Code stammt.Azure ML integrates with Git to track information on which repository / branch / commit your code came from.
  • Mit Azure ML-Datasets können Sie Daten nachverfolgen, Profile erstellen und Versionen verwalten.Azure ML Datasets help you track, profile, and version data.
  • Dank der Interpretierbarkeit ist es möglich, Ihre Modelle zu erläutern, gesetzliche Bestimmungen einzuhalten und zu verstehen, wie Modelle bei bestimmten Eingaben zu einem Ergebnis kommen.Interpretability allows you to explain your models, meet regulatory compliance, and understand how models arrive at a result for given input.
  • Der Azure ML-Ausführungsverlauf speichert eine Momentaufnahme des Codes, der Daten und der Computevorgänge, mit denen ein Modell trainiert wurde.Azure ML Run history stores a snapshot of the code, data, and computes used to train a model.
  • Die Azure ML-Modellregistrierung erfasst alle Metadaten, die Ihrem Modell zugeordnet sind (welches Experiment wurde für das Training verwendet, wo wird es bereitgestellt und ob die Bereitstellungen fehlerfrei sind).The Azure ML Model Registry captures all of the metadata associated with your model (which experiment trained it, where it is being deployed, if its deployments are healthy).
  • Durch die Integration mit Azure können Sie auf Ereignisse im ML-Lebenszyklus reagieren.Integration with Azure allows you to act on events in the ML lifecycle. Hierzu zählen beispielsweise Ereignisse für Modellregistrierung, Bereitstellung, Datenabweichung und Training (Ausführung).For example, model registration, deployment, data drift, and training (run) events.

Tipp

Während einige Informationen zu Modellen und Datasets automatisch erfasst werden, können Sie mithilfe von Tags zusätzliche Informationen hinzufügen.While some information on models and datasets is automatically captured, you can add additional information by using tags. Wenn Sie in Ihrem Arbeitsbereich nach registrierten Modellen und Datasets suchen, können Sie Tags als Filter verwenden.When looking for registered models and datasets in your workspace, you can use tags as a filter.

Die Zuordnung eines Datasets zu einem registrierten Modell ist ein optionaler Schritt.Associating a dataset with a registered model is an optional step. Informationen zum Referenzieren eines Datasets beim Registrieren eines Modells finden Sie in der Referenz zur Model-Klasse.For information on referencing a dataset when registering a model, see the Model class reference.

Benachrichtigen, Automatisieren und Warnen bei Ereignissen im ML-LebenszyklusNotify, automate, and alert on events in the ML lifecycle

Azure ML veröffentlicht wichtige Ereignisse in Azure EventGrid, das für Benachrichtigung und Automatisierung bei Ereignissen im ML-Lebenszyklus verwendet werden kann.Azure ML publishes key events to Azure EventGrid, which can be used to notify and automate on events in the ML lifecycle. Weitere Informationen finden Sie in diesem Dokument.For more information, please see this document.

Überwachen auf Betriebs- und ML-ProblemeMonitor for operational & ML issues

Die Überwachung ermöglicht Ihnen zu verstehen, welche Daten an Ihr Modell gesendet werden und welche Vorhersagen es zurückgibt.Monitoring enables you to understand what data is being sent to your model, and the predictions that it returns.

Diese Informationen helfen Ihnen zu verstehen, wie Ihr Modell genutzt wird.This information helps you understand how your model is being used. Die gesammelten Eingabedaten können auch zum Trainieren künftiger Versionen des Modells nützlich sein.The collected input data may also be useful in training future versions of the model.

Weitere Informationen finden Sie unter Gewusst wie: Aktivieren der Modelldatensammlung.For more information, see How to enable model data collection.

Erneutes Trainieren des Modells nach neuen DatenRetrain your model on new data

Oftmals möchten Sie Ihr Modell validieren, aktualisieren oder sogar von Grund auf neu trainieren, wenn Sie neue Informationen erhalten.Often, you'll want to validate your model, update it, or even retrain it from scratch, as you receive new information. Manchmal ist das Empfangen neuer Daten ein erwarteter Teil der Domäne.Sometimes, receiving new data is an expected part of the domain. Zu anderen Zeiten, wie in Erkennen von Datenabweichungen (Vorschau) in Datasets erläutert, kann die Modellleistung angesichts von Faktoren wie Änderungen an einem bestimmten Sensor, natürlichen Datenänderungen wie saisonalen Effekten oder Verschiebung von Features in ihrer Beziehung zu anderen Features abnehmen.Other times, as discussed in Detect data drift (preview) on datasets, model performance can degrade in the face of such things as changes to a particular sensor, natural data changes such as seasonal effects, or features shifting in their relation to other features.

Es gibt keine allgemeingültige Antwort auf die Frage „Woher weiß ich, ob ich erneut trainieren soll?“,There is no universal answer to "How do I know if I should retrain?" aber die zuvor besprochenen Ereignis- und Überwachungstools von Azure Machine Learning sind gute Ausgangspunkte für die Automatisierung.but Azure ML event and monitoring tools previously discussed are good starting points for automation. Wenn Sie sich für ein erneutes Training entschieden haben, sollten Sie wie folgt vorgehen:Once you have decided to retrain, you should:

  • Vorverarbeiten Ihrer Daten durch einen wiederholbaren, automatisierten ProzessPreprocess your data using a repeatable, automated process
  • Trainieren Ihres neuen ModellsTrain your new model
  • Vergleichen der Ergebnisse des neuen Modells mit denen des alten ModellsCompare the outputs of your new model to those of your old model
  • Verwenden von vordefinierten Kriterien, um zu entscheiden, ob das alte Modell ersetzt werden sollUse predefined criteria to choose whether to replace your old model

Ein Thema der oben genannten Schritte ist, dass das erneute Trainieren automatisch und nicht ad hoc erfolgen sollte.A theme of the above steps is that your retraining should be automated, not ad hoc. Azure Machine Learning-Pipelines sind eine gute Antwort für die Erstellung von Workflows in Bezug auf Datenvorbereitung, Training, Überprüfung und Bereitstellung.Azure Machine Learning pipelines are a good answer for creating workflows relating to data preparation, training, validation, and deployment. Lesen Sie Erneutes Trainieren von Modellen mit dem Azure Machine Learning-Designer, um zu sehen, wie Pipelines und der Azure Machine Learning-Designer in ein Szenario für erneutes Trainieren passen.Read Retrain models with Azure Machine Learning designer to see how pipelines and the Azure Machine Learning designer fit into a retraining scenario.

Automatisieren des ML-LebenszyklusAutomate the ML lifecycle

Sie können GitHub und Azure Pipelines verwenden, um einen Continuous Integration-Prozess zu erstellen, der ein Modell trainiert.You can use GitHub and Azure Pipelines to create a continuous integration process that trains a model. In einem typischen Szenario, in dem ein Data Scientist eine Änderung in das Git-Repository für ein Projekt eincheckt, startet die Azure-Pipeline einen Trainingsdurchlauf.In a typical scenario, when a Data Scientist checks a change into the Git repo for a project, the Azure Pipeline will start a training run. Die Ergebnisse dieses Durchlaufs können dann untersucht werden, um die Leistungsmerkmale des trainierten Modells zu ermitteln.The results of the run can then be inspected to see the performance characteristics of the trained model. Sie können auch eine Pipeline erstelle, die das Modell als Webdienst bereitstellt.You can also create a pipeline that deploys the model as a web service.

Die Azure Machine Learning-Erweiterung erleichtert die Arbeit mit Azure Pipelines.The Azure Machine Learning extension makes it easier to work with Azure Pipelines. Sie bietet folgende Verbesserungen für Azure Pipelines:It provides the following enhancements to Azure Pipelines:

  • Ermöglicht beim Definieren einer Dienstverbindung die Auswahl eines Arbeitsbereichs.Enables workspace selection when defining a service connection.
  • Ermöglicht das Auslösen von Releasepipelines durch trainierte Modelle, die in einer Trainingspipeline erstellt wurden.Enables release pipelines to be triggered by trained models created in a training pipeline.

Weitere Informationen zur Verwendung von Azure Pipelines mit Azure Machine Learning finden Sie unter den folgenden Links:For more information on using Azure Pipelines with Azure Machine Learning, see the following links:

Sie können Azure Data Factory auch verwenden, um eine Datenerfassungspipeline zu erstellen, die die Daten für die Verwendung im Training vorbereitet.You can also use Azure Data Factory to create a data ingestion pipeline that prepares data for use with training. Weitere Informationen finden Sie unter Datenerfassungspipeline.For more information, see Data ingestion pipeline.

Nächste SchritteNext steps

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