Estágio de implantação do ciclo de vida do Processo de Ciência de Dados da Equipe

  • Artigo

Este artigo descreve as metas, tarefas e resultados finais associados à implantação do Processo de Ciência de Dados da Equipe (TDSP). Esse processo fornece um ciclo de vida recomendado que sua equipe pode usar para estruturar seus projetos de ciência de dados. O ciclo de vida descreve os principais estágios que sua equipe executa, geralmente iterativamente:

  • Compreensão do negócio
  • Aquisição e compreensão de dados
  • Modelação
  • Implementação
  • Aceitação do cliente

Aqui está uma representação visual do ciclo de vida do TDSP:

Diagram that shows the stages of the TDSP lifecycle.

Goal

O objetivo do estágio de implantação é implantar modelos com um pipeline de dados em um ambiente de produção ou de produção para aceitação do cliente final.

Como concluir a tarefa

A principal tarefa para esta etapa é operacionalizar o modelo. Implante o modelo e o pipeline em um ambiente de produção ou semelhante ao de produção para consumo de aplicativos.

Operacionalizar um modelo

Depois de ter um conjunto de modelos com bom desempenho, sua equipe pode operacionalizá-los para outros aplicativos consumirem. Dependendo dos requisitos de negócios, as previsões são feitas em tempo real ou em lote. Para implantar modelos, expõe-os com uma interface de API. Com uma interface, os usuários podem facilmente consumir o modelo de várias aplicações, tais como:

  • Web Sites
  • Folhas de cálculo
  • Dashboards
  • Aplicações de linha de negócio
  • Aplicativos back-end

Para obter exemplos de operacionalização de modelos com o Azure Machine Learning, consulte Implantar modelos de aprendizado de máquina no Azure. É uma prática recomendada criar monitoramento no modelo de produção e no pipeline de dados que você implanta. Essa prática ajuda na geração de relatórios e na solução de problemas subsequentes do status do sistema.

Integração com MLflow

Para ajudar a dar suporte a esse estágio, você pode incorporar os seguintes recursos do Azure Machine Learning:

  • Gerenciamento de modelo: para preparar uma implantação, você coloca um modelo em um ambiente de produção ou operacional. O MLflow gerencia e versões de modelos prontos para implantação, o que ajuda a melhorar a operacionalização.

  • Atendimento e implantação de modelos: as funcionalidades de serviço de modelo do MLflow facilitam o processo de implantação, para que você possa atender facilmente modelos em vários ambientes.

Artefactos

Nesta etapa, sua equipe entrega:

  • Um painel de status que exibe a integridade do sistema e as principais métricas. Recomendamos usar o Power BI para criar um painel.

  • Um relatório final de modelagem com detalhes de implantação.

  • Um documento de arquitetura de solução final.

Literatura revista por pares

Os pesquisadores publicam estudos sobre o TDSP na literatura revisada por pares. As citações oferecem uma oportunidade para investigar outros aplicativos ou ideias semelhantes ao TDSP, incluindo o estágio do ciclo de vida da implantação.

Contribuidores

Este artigo é mantido pela Microsoft. Foi originalmente escrito pelos seguintes contribuidores.

Autor principal:

Para ver perfis não públicos do LinkedIn, inicie sessão no LinkedIn.

Estes artigos descrevem os outros estágios do ciclo de vida do TDSP: