Introduzione
Si supponga di essere un tecnico di Machine Learning incaricato di elaborare un modello, dallo sviluppo alla produzione. Per eseguire il training, testare e distribuire un modello di Machine Learning, è consigliabile usare gli ambienti come parte della strategia MLOps (Machine Learning Operations).
Dopo che uno scienziato dei dati ha eseguito il training e testato il modello, sarà necessario distribuirlo, testare la distribuzione e infine distribuire il modello in produzione, dove verrà usato su larga scala. In linea con le procedure di sviluppo del software, queste attività devono essere eseguite in ambienti diversi. Usando ambienti come un ambiente di sviluppo, uno di staging e uno di produzione, è possibile separare il flusso di lavoro MLOps.
Per creare ambienti diversi, è possibile creare aree di lavoro di Azure Machine Learning diverse collegate ad ambienti GitHub separati. Con GitHub Actions è possibile automatizzare i flussi di lavoro nei vari ambienti, aggiungendo approvazioni controllate per ridurre i rischi.
Obiettivi di apprendimento
Contenuto del modulo:
- Configurare ambienti in GitHub.
- Usare gli ambienti in GitHub Actions.
- Aggiungere approvazioni per assegnare i revisori obbligatori prima del passaggio del modello all'ambiente successivo.