Introduktion
Anta att du är maskininlärningstekniker med uppgift att ta en modell från utveckling till produktion. För att träna, testa och distribuera en maskininlärningsmodell är det bäst att använda miljöer som en del av din STRATEGI för maskininlärningsåtgärder (MLOps).
När en dataexpert har tränat och testat modellen vill du distribuera modellen, testa distributionen och slutligen distribuera modellen till produktion där den kommer att förbrukas i stor skala. I enlighet med metoder för programutveckling bör dessa uppgifter utföras i olika miljöer. Genom att använda miljöer som en utvecklings-, mellanlagrings- och produktionsmiljö kan du separera MLOps-arbetsflödet.
Om du vill skapa olika miljöer kan du skapa olika Azure Machine Learning-arbetsytor som är länkade till separata GitHub-miljöer. Genom att använda GitHub Actions kan du automatisera arbetsflöden mellan miljöer och lägga till gated approvals för att minska riskerna.
Utbildningsmål
I den här modulen kommer du att:
- Konfigurera miljöer i GitHub.
- Använd miljöer i GitHub Actions.
- Lägg till godkännanden för att tilldela nödvändiga granskare innan du flyttar modellen till nästa miljö.