APLICA-SE A:Extens茫o de ML da CLI do Azure v2 (atual)SDK do Python azure-ai-ml v2 (atual)

Este artigo descreve como o Azure Machine Learning usa MLOps (opera莽玫es de aprendizado de m谩quina) para gerenciar o ciclo de vida de seus modelos. A aplica莽茫o das pr谩ticas de MLOps pode melhorar a qualidade e a consist锚ncia de suas solu莽玫es de aprendizado de m谩quina.

O MLOps baseia-se em DevOps princ铆pios e pr谩ticas que aumentam a efici锚ncia dos fluxos de trabalho, como integra莽茫o cont铆nua, implanta莽茫o cont铆nua e entrega cont铆nua. A aplica莽茫o desses princ铆pios ao ciclo de vida do aprendizado de m谩quina resulta em:

O MLOps fornece os seguintes recursos para o processo de aprendizado de m谩quina:

Para obter mais informa莽玫es sobre MLOps, consulte Opera莽玫es de aprendizado de m谩quina.

Use pipelines do Azure Machine Learning para unir todas as etapas de seu processo de treinamento de modelos. As etapas do pipeline de aprendizado de m谩quina podem incluir prepara莽茫o de dados, extra莽茫o de recursos, ajuste de hiperpar芒metro e avalia莽茫o de modelo.

No Designer do Est煤dio do Azure Machine Learning, voc锚 pode clonar um pipeline para iterar sobre seu design sem perder suas vers玫es antigas. Para clonar um pipeline a qualquer momento no Designer, selecione Clonar na barra de menus superior.

Para obter mais informa莽玫es sobre os pipelines do Azure Machine Learning, consulte Pipelines de aprendizado de m谩quina.

Os ambientes do Azure Machine Learning garantem que os builds sejam reproduz铆veis sem usar configura莽玫es manuais de software. Os ambientes podem acompanhar e reproduzir as depend锚ncias de software pip e conda para seus projetos.

Voc锚 pode usar ambientes para treinamento e implanta莽茫o de modelos. Para obter mais informa莽玫es sobre ambientes, consulte ambientes do Azure Machine Learning.

O Azure Machine Learning pode usar MLOps de qualquer lugar para registrar, empacotar e implantar modelos.

O registro de modelo armazena e vers玫es de seus modelos no workspace do Azure Machine Learning na nuvem do Azure. O registro de modelo torna mais f谩cil organizar e manter o controle de seus modelos treinados.

Um modelo registrado 茅 um cont锚iner l贸gico para um ou mais arquivos que comp玫em seu modelo. Por exemplo, se o modelo for armazenado em v谩rios arquivos, voc锚 poder谩 registrar os arquivos como um 煤nico modelo no workspace do Azure Machine Learning. Ap贸s o registro, voc锚 pode baixar ou implantar o modelo registrado e receber todos os arquivos de componente.

Voc锚 tamb茅m pode registrar modelos treinados fora do Azure Machine Learning. O Azure Machine Learning d谩 suporte a qualquer modelo que possa ser carregado usando o Python 3.5.2 ou superior.

Voc锚 identifica modelos registrados por nome e vers茫o. Sempre que voc锚 registra um modelo com o mesmo nome de um modelo existente, o registro incrementa o n煤mero de vers茫o.

Voc锚 pode fornecer r贸tulos de metadados durante o registro e usar esses r贸tulos para pesquisar um modelo.

Importante

N茫o 茅 poss铆vel excluir um modelo registrado que esteja sendo usado em uma implanta莽茫o ativa.

Para obter mais informa莽玫es sobre como usar modelos no Azure Machine Learning, consulte Trabalhar com modelos no Azure Machine Learning.

Para implantar um modelo em produ莽茫o, primeiro voc锚 deve empacot谩-lo em uma imagem do Docker. Na maioria dos casos, a cria莽茫o de imagem ocorre automaticamente em segundo plano durante a implanta莽茫o. No entanto, voc锚 pode especificar manualmente a imagem.

脡 煤til implantar em seu ambiente de desenvolvimento local primeiro para que voc锚 possa solucionar problemas e depurar antes de implantar na nuvem. Essa pr谩tica pode ajud谩-lo a evitar problemas com sua implanta莽茫o no Azure Machine Learning. Para obter mais informa莽玫es sobre como resolver problemas comuns de implanta莽茫o, consulte Como solucionar problemas de pontos de extremidade online.

Voc锚 pode converter seu modelo em ONNX (Open Neural Network Exchange) para tentar melhorar o desempenho. Normalmente, converter para ONNX pode duplicar o desempenho.

Para obter mais informa莽玫es sobre o ONNX com o Azure Machine Learning, confira o artigo Criar e acelerar modelos de machine learning.

Voc锚 pode implantar modelos de aprendizado de m谩quina treinados como pontos de extremidade localmente ou na nuvem. As implanta莽玫es usam CPUs e GPUs para infer锚ncia.

Para implantar um modelo como um ponto de extremidade, voc锚 precisa fornecer as seguintes informa莽玫es:

Importante

Ao implantar um modelo do MLflow, voc锚 n茫o precisa fornecer um script de entrada ou um ambiente para a implanta莽茫o. Para obter mais informa莽玫es sobre como implantar modelos do MLflow, consulte Diretrizes para implantar modelos do MLflow.

Voc锚 tamb茅m fornece a configura莽茫o da plataforma de implanta莽茫o de destino, como o tipo de fam铆lia de m谩quina virtual (VM), a mem贸ria dispon铆vel e o n煤mero de n煤cleos. Quando o Azure Machine Learning cria a imagem, ele tamb茅m adiciona todos os componentes necess谩rios, como ativos necess谩rios para executar o servi莽o Web.

H谩 suporte para a pontua莽茫o em lote por meio de pontos de extremidade em lote. Para obter mais informa莽玫es sobre pontua莽茫o em lote, consulte Pontos de extremidade em lote.

Voc锚 pode usar seus modelos com pontos de extremidade online para pontua莽茫o em tempo real. Os destinos de computa莽茫o para pontos de extremidade online podem ser ambientes de desenvolvimento local, pontos de extremidade online gerenciados ou AKS (Servi莽o de Kubernetes do Azure).

Para implantar um modelo em um ponto de extremidade online, voc锚 precisa fornecer as seguintes informa莽玫es:

Para obter mais informa莽玫es sobre a implanta莽茫o para pontua莽茫o em tempo real, consulte Implantar pontos de extremidade online.

Ao implantar em um ponto de extremidade online, voc锚 pode usar a distribui莽茫o controlada para habilitar os seguintes cen谩rios:

Para obter mais informa莽玫es sobre a implanta莽茫o usando uma distribui莽茫o controlada, consulte Executar a distribui莽茫o segura de novas implanta莽玫es para infer锚ncia em tempo real.

O Azure Machine Learning oferece a capacidade de acompanhar a trilha de auditoria de ponta a ponta de todos os seus ativos de aprendizado de m谩quina usando metadados. Por exemplo:

Algumas informa莽玫es sobre modelos e ativos de dados s茫o capturadas automaticamente, mas voc锚 pode adicionar mais informa莽玫es usando r贸tulos. Ao procurar modelos registrados e ativos de dados em seu workspace, voc锚 pode usar marcas como filtros.

Observa莽茫o

Quando voc锚 usar os R贸tulos na op莽茫o Filtrar por na p谩gina Modelos do Azure Machine Learning Studio, certifique-se de usar TagName=TagValue sem espa莽os em vez de TagName : TagValue.

O Azure Machine Learning publica eventos chave na Grade de Eventos do Azure, que podem ser usados para notificar e automatizar eventos no ciclo de vida de aprendizado de m谩quina. Para obter mais informa莽玫es sobre como configurar processos controlados por eventos com base nos eventos do Azure Machine Learning, consulte CI/CD personalizado e fluxos de trabalho controlados por eventos.

Voc锚 pode usar o Git e Azure Pipelines para criar um processo de integra莽茫o cont铆nua que treine um modelo de aprendizado de m谩quina. Em um cen谩rio t铆pico, quando um cientista de dados verifica uma altera莽茫o no reposit贸rio Git de um projeto, o Azure Pipelines inicia o trabalho de treinamento.

Voc锚 pode inspecionar os resultados do trabalho para ver as caracter铆sticas de desempenho do modelo treinado. Tamb茅m 茅 poss铆vel criar um pipeline que implanta o modelo como um servi莽o Web.

A extens茫o do Machine Learning facilita o trabalho com o Azure Pipelines. A extens茫o fornece os seguintes aprimoramentos para o Azure Pipelines:

Para obter mais informa莽玫es sobre como usar o Azure Pipelines com o Azure Machine Learning, consulte Usar o Azure Pipelines com o Azure Machine Learning.

O Microsoft Power BI d谩 suporte ao uso de modelos de machine learning para an谩lise de dados. Para obter mais informa莽玫es, confira IA com fluxos de dados.