MLOps med Azure Machine LearningMLOps with Azure Machine Learning

MLOps (Machine Learning-åtgärder) baseras på DevOps-principer och praxis som ökar arbets flödets effektivitet som kontinuerlig integrering, leverans och distribution.MLOps (machine learning operations) is based on DevOps principles and practices that increase workflow efficiencies like continuous integration, delivery, and deployment. MLOps tillämpar dessa principer på Machine Learning-processen i syfte att:MLOps applies these principles to the machine learning process in order to:

  • Experimentera och utveckla modeller snabbare.Experiment and develop models more quickly.
  • Distribuera modeller till produktion snabbare.Deploy models to production more quickly.
  • Öva och förfina kvalitets säkring.Practice and refine quality assurance.

Azure Machine Learning tillhandahåller följande MLOps-funktioner:Azure Machine Learning provides the following MLOps capabilities:

  • Skapa reproducerbara pipeliner.Create reproducible pipelines. Med Machine Learning pipelines kan du definiera upprepnings bara och återanvändbara steg för förberedelse av data, utbildnings-och bedömnings processer.Machine Learning pipelines enable you to define repeatable and reusable steps for your data preparation, training, and scoring processes.
  • Skapa åter användnings bara program miljöer för utbildning och distribution av modeller.Create reusable software environments for training and deploying models.
  • Registrera, paketera och distribuera modeller var som helst.Register, package, and deploy models from anywhere. Du kan spåra de associerade metadata som krävs för att använda modellen.You can track the associated metadata required to use the model.
  • Avbilda styrnings data för slut punkt till slut punkt.Capture the governance data for the end-to-end lifecycle. Den loggade informationen kan inkludera vem som publicerar modeller, varför ändringar gjorts och när modeller distribuerades eller användes i produktionen.The logged information can include who is publishing models, why changes were made, and when models were deployed or used in production.
  • Meddela och Avisera händelser i livs cykeln.Notify and alert on events in the lifecycle. Du kan till exempel få aviseringar om experimentet slutförs, modell registrering, modell distribution och data identifiering.For example, you can get alerts for experiment completion, model registration, model deployment, and data drift detection.
  • Övervaka program för drift-och Machine Learning-relaterade problem.Monitor applications for operational and machine learning-related issues. Jämför modell inmatningar mellan utbildning och härledning, utforska modellbaserade mått och tillhandahålla övervakning och aviseringar på din Machine Learning-infrastruktur.Compare model inputs between training and inference, explore model-specific metrics, and provide monitoring and alerts on your machine learning infrastructure.
  • Automatisera livs cykeln för Machine Learning från slut punkt till slut punkt med Azure Machine Learning och Azure-pipeliner.Automate the end-to-end machine learning lifecycle with Azure Machine Learning and Azure Pipelines. Med pipelines kan du ofta uppdatera modeller, testa nya modeller och kontinuerligt distribuera nya maskin inlärnings modeller tillsammans med andra program och tjänster.With pipelines, you can frequently update models, test new models, and continuously roll out new machine learning models alongside your other applications and services.

Metod tips för MLOps med Azure Machine LearningBest practices for MLOps with Azure Machine Learning

Modeller skiljer sig från kod eftersom de har en hållbar hållbarhets tid och kommer att försämras om de inte bibehålls.Models differ from code because they have an organic shelf life and will deteriorate unless maintained. När de har distribuerats kan de lägga till ett verkligt företags värde, och det blir enklare när data experter får till gång till de verktyg som krävs för att införa standard teknik metoder.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 med Azure hjälper dig att:MLOps with Azure helps you:

  • Skapa reproducerbara modeller och återanvändbara utbildnings pipeliner.Create reproducible models and reusable training pipelines.
  • Förenkla modell paketering, validering och distribution för kvalitets kontroll och ett/B-test.Simplify model packaging, validation, and deployment for quality control and a/B testing.
  • Förklara och studera modell beteende och automatisera ominlärnings processen.Explain and observe model behavior, and automate the retraining process.

MLOps förbättrar kvaliteten och konsekvensen för dina Machine Learning-lösningar.MLOps improves the quality and consistency of your machine learning solutions. Mer information om hur du använder Azure Machine Learning för att hantera livs cykeln för dina modeller finns i MLOps: modell hantering, distribution och övervakning med 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.

Nästa stegNext steps

Lär dig mer genom att läsa och utforska följande resurser:Learn more by reading and exploring the following resources: