Machine Learning operazioni con Azure Machine LearningMachine Learning Operations with Azure Machine Learning

Machine Learning Operations (MLOps) si basa sui principi DevOps e sulle procedure che aumentano l'efficienza del flusso di lavoro, come l'integrazione continua, il recapito e la distribuzione.Machine Learning Operations (MLOps) is based on DevOps principles and practices that increase workflow efficiencies like continuous integration, delivery, and deployment. MLOps applica questi principi al processo di machine learning per:MLOps applies these principles to the machine learning process in order to:

  • Sperimentare e sviluppare modelli più rapidamente.Experiment and develop models more quickly.
  • Distribuisci più rapidamente i modelli nell'ambiente di produzione.Deploy models to production more quickly.
  • Esercitarsi e perfezionare la garanzia di qualità.Practice and refine quality assurance.

Azure Machine Learning offre le funzionalità di MLOps seguenti:Azure Machine Learning provides the following MLOps capabilities:

  • Creare pipeline riproducibili.Create reproducible pipelines. Machine Learning pipeline consentono di definire passaggi ripetibili e riutilizzabili per la preparazione dei dati, il training e l'assegnazione di punteggi ai processi.Machine Learning pipelines enable you to define repeatable and reusable steps for your data preparation, training, and scoring processes.
  • Creare ambienti   software riutilizzabili per il training e la distribuzione dei modelli.Create reusable software environments for training and deploying models.
  • Registra, assembla e Distribuisci i modelli ovunque ti trovi.Register, package, and deploy models from anywhere. È possibile tenere traccia dei metadati associati necessari per l'utilizzo del modello.You can track the associated metadata required to use the model.
  • Acquisire i dati di governance per il ciclo di vita end-to-end.Capture the governance data for the end-to-end lifecycle. Le informazioni registrate possono includere chi sta pubblicando modelli, perché sono state apportate modifiche e quando i modelli sono stati distribuiti o utilizzati nell'ambiente di produzione.The logged information can include who is publishing models, why changes were made, and when models were deployed or used in production.
  • Inviare notifiche e avvisi sugli eventi del ciclo divita.Notify and alert on events in the lifecycle. Ad esempio, è possibile ottenere avvisi per il completamento dell'esperimento, la registrazione del modello, la distribuzione del modello e il rilevamento della tendenza dei dati.For example, you can get alerts for experiment completion, model registration, model deployment, and data drift detection.
  • Monitorare le applicazioni per i problemi operativi e di Machine Learning.Monitor applications for operational and machine learning-related issues. Confrontare gli input del modello tra il training e l'inferenza, esplorare le metriche specifiche del modello e fornire il monitoraggio e gli avvisi nell'infrastruttura di machine learning.Compare model inputs between training and inference, explore model-specific metrics, and provide monitoring and alerts on your machine learning infrastructure.
  • Automatizzare il ciclo di vita di Machine Learning end-to-end con Azure Machine Learning e Azure Pipelines.Automate the end-to-end machine learning lifecycle with Azure Machine Learning and Azure Pipelines. Con le pipeline è possibile aggiornare spesso i modelli, testare nuovi modelli e implementare continuamente nuovi modelli di apprendimento automatico insieme ad altre applicazioni e servizi.With pipelines, you can frequently update models, test new models, and continuously roll out new machine learning models alongside your other applications and services.

Procedure consigliate per MLOps con Azure Machine LearningBest practices for MLOps with Azure Machine Learning

I modelli differiscono dal codice perché hanno una durata di shelf organico e si deteriorano a meno che non vengano mantenuti.Models differ from code because they have an organic shelf life and will deteriorate unless maintained. Una volta distribuite, possono aggiungere un valore aziendale reale e questo risulta più semplice quando i data scientist ricevono gli strumenti per adottare le procedure di progettazione standard.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 con Azure consente di:MLOps with Azure helps you:

  • Creazione di modelli riproducibili e pipeline di training riutilizzabili.Create reproducible models and reusable training pipelines.
  • Semplifica la creazione di pacchetti di modelli, la convalida e la distribuzione per il controllo della qualità e il test A/B.Simplify model packaging, validation, and deployment for quality control and A/B testing.
  • Spiegare e osservare il comportamento del modello e automatizzare il processo di ripetizione del training.Explain and observe model behavior, and automate the retraining process.

MLOps migliora la qualità e la coerenza delle soluzioni di machine learning.MLOps improves the quality and consistency of your machine learning solutions. Per altre informazioni su come usare Azure Machine Learning per gestire il ciclo di vita dei modelli, vedere MLOps: Gestione modelli, distribuzione e monitoraggio con 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.

Passaggi successiviNext steps

Per altre informazioni, leggere ed esplorare le risorse seguenti:Learn more by reading and exploring the following resources: