ソリューション アーキテクチャを調べる
実装を進める前に全体像を理解して、すべての要件が満たされていることを保証することが重要です。 このアプローチは将来も容易に適応できるようにしたいと考えています。 この演習の焦点は、ソリューション アーキテクチャで定義されている機械学習操作 (MLOps) 戦略のオーケストレーションおよび自動化ツールとして、GitHub Actions の使用を開始することです。
Note
この図は、MLOps アーキテクチャを簡略化したものです。 より詳細なアーキテクチャを表示するには、MLOps (v2) ソリューション アクセラレータのさまざまなユース ケースをご確認ください。
アーキテクチャには次のものが含まれます。
- セットアップ: ソリューションに必要なすべての Azure リソースを作成します。
- モデル開発 (内部ループ): モデルをトレーニングおよび評価するためのデータを探して処理します。
- 継続的インテグレーション: モデルをパッケージ化して登録します。
- モデル デプロイ (外部ループ): モデルをデプロイします。
- 継続的デプロイ: モデルをテストし、運用環境にレベル上げします。
- 監視: モデルとエンドポイントのパフォーマンスを監視します。
具体的には、モデル開発のトレーニング部分 (内側のループ) を自動化することで、最終的に、複数のモデルをすばやくトレーニングして登録し、ステージング環境と運用環境にデプロイできるようにします。
Azure Machine Learning ワークスペース、Azure Machine Learning コンピューティング、GitHub リポジトリはすべて、インフラストラクチャ チームによって作成されています。
さらに、分類モデルをトレーニングするコードは稼働準備済みで、モデルのトレーニングに必要なデータは、Azure Machine Learning ワークスペースに接続されている Azure Blob Storage で利用できます。
実装すると、データ サイエンティストが新しいモデル コードを GitHub リポジトリにプッシュするたびに、内側から外側のループへの移動が自動化されたプロセスになり、糖尿病分類モデルを使用する Web アプリなど、モデルのダウンストリーム コンシューマーへの機械学習モデルの継続的デリバリーが実現します。