MLOps met Azure Machine Learning

MLOps (machine learning-bewerkingen) is gebaseerd op DevOps-principes en -procedures die de efficiëntie van de werkstroom verhogen, zoals continue integratie, levering en implementatie. MLOps past deze principes toe op het machine learning-proces om:

• Experimenteer en ontwikkel sneller modellen.
• Modellen sneller implementeren in productie.
• Oefen en verfijn kwaliteitscontrole.

Azure Machine Learning biedt de volgende MLOps-mogelijkheden:

• Reproduceerbare pijplijnen maken. Met machine learning-pijplijnen kunt u herhaalbare en herbruikbare stappen definiëren voor uw gegevensvoorbereidings-, trainings- en scoreprocessen.
• Herbruikbare softwareomgevingen maken voor het trainen en implementeren van modellen.
• Modellen registreren, verpakken en implementeren vanaf elke locatie. U kunt de bijbehorende metagegevens bijhouden die nodig zijn om het model te gebruiken.
• Leg de governancegegevens vast voor de end-to-end-levenscyclus. De vastgelegde informatie kan omvatten wie modellen publiceert, waarom wijzigingen zijn aangebracht en wanneer modellen zijn geïmplementeerd of gebruikt in productie.
• Meldingen en waarschuwingen over gebeurtenissen in de levenscyclus. U kunt bijvoorbeeld waarschuwingen ontvangen voor het voltooien van experimenten, modelregistratie, modelimplementatie en detectie van gegevensdrift.
• Toepassingen controleren op operationele en machine learning-gerelateerde problemen. Vergelijk modelinvoer tussen training en deductie, verken modelspecifieke metrische gegevens en geef bewaking en waarschuwingen voor uw machine learning-infrastructuur.
• Automatiseer de end-to-end machine learning-levenscyclus met Azure Machine Learning en Azure Pipelines. Met pijplijnen kunt u modellen regelmatig bijwerken, nieuwe modellen testen en continu nieuwe machine learning-modellen implementeren naast uw andere toepassingen en services.

Aanbevolen procedures voor MLOps met Azure Machine Learning

Modellen verschillen van code omdat ze een organische houdbaarheid hebben en verslechteren tenzij ze worden onderhouden. Nadat ze zijn geïmplementeerd, kunnen ze echte bedrijfswaarde toevoegen. Dit wordt eenvoudiger wanneer gegevenswetenschappers de hulpmiddelen krijgen om standaard technische procedures te gebruiken.

MLOps met Azure helpt u bij het volgende:

• Reproduceerbare modellen en herbruikbare trainingspijplijnen maken.
• Vereenvoudig het verpakken, valideren en implementeren van modellen voor kwaliteitscontrole en a/B-testen.
• Modelgedrag uitleggen en observeren en het hertrainingsproces automatiseren.

MLOps verbetert de kwaliteit en consistentie van uw machine learning-oplossingen. Zie MLOps: Modelbeheer, implementatie en bewaking met Azure Machine Learning voor meer informatie over het gebruik van Azure Machine Learning om de levenscyclus van uw modellen te beheren.

Volgende stappen

Lees en verken de volgende bronnen voor meer informatie:

• MLOps: modelbeheer, implementatie en bewaking met Azure Machine Learning
• Hoe en waar u modellen implementeert met Azure Machine Learning
• Zelfstudie: een afbeeldingsclassificatiemodel implementeren in Azure Container Instances
• End-to-end MLOps-voorbeeldenopslagplaats
• CI/CD van machine learning-modellen met Azure Pipelines
• Clients maken die een geïmplementeerd model gebruiken
• Machine learning op schaal
• Azure AI-referentiearchitecturen en best practices-opslagplaats