Operace strojového učení (MLOps)

Funkce služby Azure Machine Learning pro automatizaci a zrychlení životního cyklu strojového učení

Rychlejší vývoj inovací díky robustní správě životního cyklu strojového učení

MLOps nebo DevOps pro strojové učení umožňují týmům odborníků na datové vědy a IT spolupracovat a urychlit tempo vývoje a nasazování modelů díky monitorování, ověřování a zásadám správného řízení modelů strojového učení.

Reprodukovatelnost trénování s rozšířeným sledováním datových sad, kódu, experimentů a prostředí v bohatém registru modelů.

Automatické škálování, výkonné spravované výpočetní prostředí, nasazení bez kódu a nástroje pro snadné trénování a nasazení modelů.

Efektivní pracovní postupy s funkcemi plánování a správy pro sestavování a nasazování pomocí průběžné integrace nebo průběžného nasazování (CI/CD).

Rozšířené možnosti, které pomáhají plnit cíle v oblasti zásad správného řízení a kontroly a podporují transparentnost modelů a spravedlivý přístup.

Vytváření reprodukovatelných pracovních postupů a modelů

Prostřednictvím reprodukovatelného trénování a modelů snižte odlišnosti v iteracích modelů a zajistěte odolnost proti chybám ve scénářích na podnikové úrovni. Sledujte prostředky pomocí datových sad a registrů bohatých modelů. Zajistěte rozšířenou sledovatelnost včetně sledování kódu, dat a metrik v historii spuštění. Vytvářejte kanály ML pro návrh, nasazování a správu reprodukovatelných pracovních postupů pro modely, aby se zajistilo konzistentní doručování modelů.

Snadné nasazení vysoce přesných modelů kdekoli

Nasazujte rychle a bez obav. Využívejte automatické škálování, spravované jednotky CPU a clustery s GPU s distribuovaným trénováním v cloudu. Rychle vytvářejte balíčky modelů a zajistěte vysokou kvalitu při každém kroku pomocí profilace modelů a nástrojů pro ověření. Převádějte modely do produkčního prostředí formou řízeného uvedení.

Efektivní správa celého životního cyklu strojového učení

Integrace s Azure DevOps a GitHub Actions přináší bezproblémové plánování, správu a automatizaci pracovních postupů. Optimalizujte trénování modelů a kanály nasazení, sestavujte obsah pro CI/CD, aby se zjednodušilo opakované trénování, a snadno začleňte strojové učení do stávajících procesů vydávání. Zlepšete výkon modelů v průběhu času pomocí rozšířené analýzy posunu dat.

Zajištění zásad správného řízení a kontroly u prostředků strojového učení

Sledujte historii verzí modelů a rodokmen kvůli auditovatelnosti. Díky transparentnosti modelů lépe porozumíte důležitosti funkcí a budete sestavovat lepší modely. Zároveň díky metrikám pro zajištění spravedlivého přístupu omezíte odchylky na minimum. Nastavujte kvóty pro výpočetní prostředky a uplatňujte zásady, které zajistí dodržování standardů zabezpečení, ochrany osobních údajů a dodržování předpisů. Při označování prostředků strojového učení a automatickém sledování experimentů sestavujte záznamy pro audit, abyste vyhověli zákonným požadavkům.

Hlavní fáze MLOps

Krok 1 z 4

Vytváření a trénování reprodukovatelných modelů

Pomocí kanálů strojového učení převeďte svůj proces trénování na reprodukovatelný kanál, který propojí všechny kroky od přípravy dat po hodnocení modelu.

Krok 2 z 4

Balení a nasazování modelů

Zabalte model do image kontejneru a potom ho nasaďte. Zjišťujte ideální nastavení CPU a paměti a ověřujte modely pomocí profilace.

Krok 3 z 4

Automatizace pracovních postupů, monitorování a správy

Automatizujte kompletní životní cyklus strojového učení pomocí služby Azure Machine Learning a GitHubu, abyste mohli často aktualizovat modely, testovat nové modely a průběžně zavádět nové modely strojového učení souběžně s vašimi ostatními aplikacemi a službami.

Krok 4 z 4

Použití zásad správného řízení a kontroly

Zachytávejte data potřebná k vytvoření kompletního záznamu pro audit životního cyklu strojového učení, včetně toho, kdo publikuje modely, proč se provádějí změny a kdy se modely nasadily nebo použily v produkčním prostředí.

Nejčastější dotazy k MLOps

  • Bohatý registr modelů obsahuje klíčové informace, jako jsou verze architektur, účel modelu, původ modelu, profil výkonu a další data sloužící ke zprovoznění a nasazení modelu.
  • Záznam pro audit umožňuje automatické sledování experimentů a datových sad, které odpovídají zaregistrovanému modelu strojového učení a jeho nasazením.
  • Možnosti profilace modelu pomáhají rychleji a kvalitněji určit optimální konfigurace spouštění a poskytují doporučení, která pomáhají najít rovnováhu mezi náklady a latencí. Ověřování modelu umožňuje odvozování z modelů ve velkém měřítku a ověřování kvality výstupu.

Jsme na vás připraveni – společně vytvoříme váš bezplatný účet Azure