Configurazione degli ambienti

• 7 minuti

Per implementare gli ambienti quando si usano modelli di Machine Learning, è possibile usare una piattaforma come GitHub. Per automatizzare le attività che devono essere eseguite in ambienti separati, sarà necessario:

• Configurare gli ambienti in GitHub.
• Usare gli ambienti in GitHub Actions.
• Aggiungere approvazioni per assegnare i revisori obbligatori.

Configurare gli ambienti in GitHub

Per creare un ambiente all'interno del repository GitHub:

1. Passare alla scheda Settings all'interno del repository.
2. Seleziona Ambienti.
3. Creare un nuovo ambiente.
4. Immetti un nome.
5. Selezionare Configura ambiente.

Per associare un ambiente a un'area di lavoro di Azure Machine Learning specifica, è possibile creare un segreto dell'ambiente per concedere solo a tale ambiente l'accesso a un'area di lavoro di Azure Machine Learning.

È possibile creare un segreto nel repository per archiviare le credenziali dell'entità servizio. Quando si utilizzano gli ambienti sarà invece necessario creare un segreto dell'ambiente per definire quale ambiente GitHub specifico deve avere accesso a quale area di lavoro di Azure Machine Learning.

Per creare un segreto dell'ambiente, passare alla scheda Environments nella scheda Settings.

1. Passare al nuovo ambiente.
2. Passare alla sezione Environment secrets.

3. Aggiungere un nuovo segreto.
4. Immettere AZURE_CREDENTIALS come nome.
5. Immettere le credenziali dell'entità servizio nel campo del valore.

Usare gli ambienti in GitHub Actions e aggiungere approvazioni

Dopo aver creato gli ambienti nel repository GitHub, è possibile fare riferimento all'ambiente dai flussi di lavoro di GitHub Actions. Ogni volta che si vuole aggiungere un controllo manuale tra gli ambienti, è possibile aggiungere approvazioni.

Ad esempio, ogni volta che si attiva un processo di Azure Machine Learning nel flusso di lavoro di GitHub Actions, l'attività può essere eseguita correttamente nel flusso di lavoro. Tuttavia, è possibile che durante il training del modello nell'area di lavoro di Azure Machine Learning si verifichi un errore a causa di un problema con lo script di training. Oppure, quando si valutano le metriche del modello dopo il training, si potrebbe decidere che occorre ripetere il training del modello anziché distribuirlo.

Per offrire la possibilità di esaminare l'output del training del modello nell'area di lavoro di Azure Machine Learning, è possibile aggiungere un'approvazione per un ambiente. Ogni volta che un flusso di lavoro di GitHub Actions vuole eseguire un'attività in un ambiente specifico, i revisori obbligatori riceveranno una notifica e dovranno approvare le attività prima che vengano eseguite.