你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

使用 Azure 机器学习的 MLOps

  • 项目

MLOps（机器学习操作）基于 DevOps 原则和实践，可提高工作流效率，例如持续集成、交付和部署。 MLOps 将这些原则应用到机器学习过程，以便：

  • 更快地试验和开发模型。
  • 更快地将模型部署到生产环境。
  • 实践和优化质量保证。

Azure 机器学习提供以下 MLOps 功能：

  • 创建可重现的管道。 使用机器学习管道可为数据准备、训练和评分过程定义可重复且可重用的步骤。
  • 创建可重用的软件环境用于训练和部署模型。
  • 从任意位置注册、打包和部署模型。 可以跟踪使用模型时所需的关联元数据。
  • 捕获端到端生命周期的监管数据。 记录的信息可以包括模型的发布者、做出更改的原因，以及在生产环境中部署或使用模型的时间。
  • 针对生命周期中的事件发出通知和警报。 例如，可获取针对试验完成、模型注册、模型部署和数据偏移检测的警报。
  • 监视应用程序中的操作和机器学习相关问题。 比较训练与推理之间的模型输入，浏览特定于模型的指标，以及针对机器学习基础结构提供监视和警报。
  • 使用 Azure 机器学习和 Azure Pipelines 自动化端到端机器学习生命周期。 使用管道可以频繁更新模型、测试新模型，并连同其他应用程序和服务持续推出新的机器学习模型。

使用 Azure 机器学习的 MLOps 最佳做法

模型与代码的不同之处在于，它们具有一种有机保质期，如果不加以维护，就会变质。 部署后，它们可以增加真正的业务价值，当数据科学家获得采用标准工程实践的工具时，这会变得更容易。

使用 Azure 的 MLOps 可帮助你：

  • 创建可重现的模型和可重用的训练管道。
  • 简化质量控制和 a/B 测试的模型打包、验证和部署。
  • 解释和观察模型行为并自动执行重新训练过程。

MLOps 改善了机器学习解决方案的质量和一致性。 若要详细了解如何使用 Azure 机器学习来管理模型的生命周期，请参阅 MLOps：使用 Azure 机器学习进行模型管理、部署和监视。

后续步骤

阅读并探索以下资源来了解详细信息：