Machine learning-bewerkingen met Azure Machine LearningMachine learning operations with Azure Machine Learning

Machine learning-bewerkingen (MLOps) is gebaseerd op DevOps-principes en-procedures die de werk stroom efficiency verbeteren, zoals continue integratie, levering en implementatie.Machine learning operations (MLOps) is based on DevOps principles and practices that increase workflow efficiencies like continuous integration, delivery, and deployment. MLOps past deze principes toe op het machine learning-proces, zodat:MLOps applies these principles to the machine learning process in order to:

  • Experimenteer en ontwikkel modellen sneller.Experiment and develop models more quickly.
  • Implementeer modellen sneller naar productie.Deploy models to production more quickly.
  • Oefen en verfijnen de kwaliteits bewaking.Practice and refine quality assurance.

Azure Machine Learning biedt de volgende MLOps mogelijkheden:Azure Machine Learning provides the following MLOps capabilities:

  • Maak reproduceer bare pijp lijnen.Create reproducible pipelines. Met Machine Learning pijp lijnen kunt u Herhaal bare en herbruikbare stappen definiëren voor uw gegevens voorbereiding, training en Score processen.Machine Learning pipelines enable you to define repeatable and reusable steps for your data preparation, training, and scoring processes.
  • Herbruikbare software omgevingen maken voor trainings-en implementatie modellen.Create reusable software environments for training and deploying models.
  • Registreer, verpak en implementeer modellen vanaf elke locatie.Register, package, and deploy models from anywhere. U kunt de gekoppelde meta gegevens bijhouden die vereist zijn voor het gebruik van het model.You can track the associated metadata required to use the model.
  • Leg de beheer gegevens vast voor de end-to-end-levens cyclus.Capture the governance data for the end-to-end lifecycle. De vastgelegde informatie kan bestaan uit wie modellen publiceert, waarom wijzigingen zijn aangebracht en wanneer modellen zijn geïmplementeerd of gebruikt voor productie.The logged information can include who is publishing models, why changes were made, and when models were deployed or used in production.
  • Meldingen en waarschuwingen over gebeurtenissen in de levens cyclus.Notify and alert on events in the lifecycle. U kunt bijvoorbeeld waarschuwingen ontvangen voor het volt ooien van het experiment, model registratie, model implementatie en detectie van gegevens drift.For example, you can get alerts for experiment completion, model registration, model deployment, and data drift detection.
  • Bewaak toepassingen voor operationele en aan machine learning gerelateerde problemen.Monitor applications for operational and machine learning-related issues. Vergelijk model invoer tussen training en demijnen, verken specifieke metrische gegevens en geef bewaking en waarschuwingen op uw machine learning-infra structuur.Compare model inputs between training and inference, explore model-specific metrics, and provide monitoring and alerts on your machine learning infrastructure.
  • Automatiseer de end-to-end machine learning levenscyclus met Azure Machine Learning en Azure-pijp lijnen.Automate the end-to-end machine learning lifecycle with Azure Machine Learning and Azure Pipelines. Met pijp lijnen kunt u vaak modellen bijwerken, nieuwe modellen testen en voortdurend nieuwe machine learning modellen samen vouwen naast uw andere toepassingen en services.With pipelines, you can frequently update models, test new models, and continuously roll out new machine learning models alongside your other applications and services.

Best practices voor MLOps met Azure Machine LearningBest practices for MLOps with Azure Machine Learning

Modellen wijken af van code omdat ze een biologisch schap-levens duur hebben en verslechteren, tenzij ze worden bewaard.Models differ from code because they have an organic shelf life and will deteriorate unless maintained. Nadat ze zijn geïmplementeerd, kunnen ze echte bedrijfs waarde toevoegen. dit wordt eenvoudiger wanneer gegevens wetenschappers de hulp middelen krijgen om standaard techniek te gebruiken.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 met Azure helpt u bij het volgende:MLOps with Azure helps you:

  • Maak reproduceer bare modellen en herbruikbare trainings pijplijnen.Create reproducible models and reusable training pipelines.
  • Vereenvoudig model verpakkingen, validatie en implementatie voor kwaliteits controle en a/B-tests.Simplify model packaging, validation, and deployment for quality control and a/B testing.
  • Leg het gedrag van het model uit en Automatiseer het proces van het opnieuw trainen.Explain and observe model behavior, and automate the retraining process.

MLOps verbetert de kwaliteit en consistentie van uw machine learning oplossingen.MLOps improves the quality and consistency of your machine learning solutions. Zie voor meer informatie over het gebruik van Azure Machine Learning voor het beheren van de levens cyclus van uw modellen MLOps: model beheer, implementatie en bewaking met 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.

Volgende stappenNext steps

Meer informatie over het lezen en verkennen van de volgende resources:Learn more by reading and exploring the following resources: