Distribuzione del modello
È possibile distribuire manualmente un modello con l'area di lavoro di Azure Machine Learning. Per distribuire automaticamente un modello, è possibile usare l'interfaccia della riga di comando di Azure Machine Learning (v2) e GitHub Actions. Per distribuire automaticamente un modello con GitHub Actions, sarà necessario:
- Creare un pacchetto del modello e registrarlo.
- Creare un endpoint e distribuire il modello.
- Testare il modello distribuito.
Creare un pacchetto del modello e registrarlo
Ogni volta che si vuole distribuire un modello con l'area di lavoro di Azure Machine Learning, sarà necessario salvare l'output del modello e registrare il modello nell'area di lavoro. Quando si registra il modello, si specifica se si tratta di un modello MLflow o personalizzato.
Quando si crea e registra un modello con MLflow, è possibile usare la distribuzione senza codice.
Suggerimento
Altre informazioni su come distribuire modelli MLflow.
Per registrare il modello con MLflow, abilitare la registrazione automatica nello script di training tramite mlflow.autolog().
Quando si registra un modello durante il training del modello, il modello viene archiviato nell'output del processo. In alternativa, è possibile archiviare il modello in un archivio dati di Azure Machine Learning.
Per registrare il modello, è possibile puntare all'output di un processo o a un percorso in un archivio dati di Azure Machine Learning.
Creare un endpoint e distribuire il modello
Per distribuire il modello in un endpoint, è prima necessario creare un endpoint e poi distribuire il modello. Un endpoint è un endpoint HTTPS a cui l'app Web può inviare dati e da cui può ottenere una previsione. Si vuole che l'endpoint rimanga invariato, anche dopo la distribuzione di un modello aggiornato nello stesso endpoint. Quando l'endpoint rimane invariato, l'app Web non dovrà essere aggiornata ogni volta che il modello viene sottoposto nuovamente a training.
Suggerimento
Altre informazioni su come distribuire un modello con l'interfaccia della riga di comando di Azure Machine Learning (v2).
Test del modello
Infine, sarà necessario testare il modello distribuito prima di integrare l'endpoint con l'app Web. Oppure prima di indirizzare tutto il traffico di un endpoint al modello aggiornato. È possibile testare manualmente un endpoint online oppure automatizzare il test dell'endpoint con GitHub Actions.
Nota
È possibile aggiungere un'attività di test allo stesso flusso di lavoro dell'attività di distribuzione del modello. Tuttavia, la distribuzione del modello potrebbe richiedere tempo. È quindi necessario assicurarsi che i test vengano eseguiti solo dopo il corretto completamento della distribuzione del modello.