Machine Learning Operations (MLOps)

Azure Machine Learning-Funktionen, die den Machine Learning-Lebenszyklus vereinfachen und beschleunigen

Schnellere Innovationen mit stabilen Verwaltungsfunktionen für den Machine Learning-Lebenszyklus

MLOps – DevOps für maschinelles Lernen – ermöglicht es Data Science- und IT-Teams, eng zusammenzuarbeiten und die Modellentwicklung und -bereitstellung über die Überwachungs-, Validierungs- und Governancephasen von Machine Learning-Modellen hinweg zu beschleunigen.

Reproduzierbarkeit von Trainingsausführungen und erweiterte Nachverfolgung von Datasets, Code, Experimenten und Umgebungen in einer umfangreichen Modellregistrierung.

Automatische Skalierung, leistungsstarke verwaltete Computeressourcen, Bereitstellung ohne Code sowie Tools zum einfachen Trainieren und Bereitstellen von Modellen.

Effiziente Workflows mit Planungs- und Verwaltungsfunktionen zum Erstellen und Bereitstellen per CI/CD-Verfahren (Continuous Integration/Continuous Deployment).

Erweiterte Funktionen zum Erfüllen von Governance- und Steuerungszielen sowie zum Verbessern von Modelltransparenz und -zuverlässigkeit.

Reproduzierbare Workflows und Modelle erstellen

Mit reproduzierbaren Trainingsverfahren und Modellen reduzieren Sie Abweichungen bei Modelliterationen und sorgen für Fehlertoleranz in Szenarien auf Unternehmensniveau. Verwenden Sie Datasets und umfangreiche Registrierungen, um Ressourcen nachzuverfolgen. Ermöglichen Sie die erweiterte Nachverfolgung von Code, Daten und Metriken im Ausführungsverlauf. Erstellen Sie ML-Pipelines zum Entwerfen, Implementieren und Verwalten reproduzierbarer Modellworkflows für eine konsistente Modellbereitstellung.

Extrem genaue Modelle einfach an jedem Ort bereitstellen

Stellen Sie Ihre Modelle schnell und zuverlässig bereit. Verwenden Sie automatisch skalierbare, verwaltete CPU- und GPU-Cluster zum verteilten Training in der Cloud. Mit Tools für die Profilerstellung und Validierung von Modellen packen Sie Modelle schnell und stellen hohe Qualität bei jedem Schritt sicher. Nutzen Sie kontrollierte Rolloutfunktionen, um Modelle in die Produktion zu übergeben.

Gesamten Machine Learning-Lebenszyklus effizient verwalten

Verwenden Sie die eingebaute Integration in Azure DevOps- und GitHub-Aktionen zur nahtlosen Planung, Verwaltung und Automatisierung von Workflows. Optimieren Sie Pipelines für Modelltraining und -bereitstellung, integrieren Sie CI/CD-Verfahren zum einfacheren erneuten Trainieren, und fügen Sie Machine Learning-Zyklen ganz einfach in Ihre vorhandenen Releaseprozesse ein. Verwenden Sie erweiterte Datendriftanalysen, um die Modellleitung im Lauf der Zeit zu verbessern.

Governance und Kontrolle über alle Machine Learning-Ressourcen hinweg erzielen

Verfolgen Sie den Verlauf der Modellversion und der Herkunft zur Überwachbarkeit. Profitieren Sie von der Modelltransparenz, um die Featurerelevanz zu verstehen, bessere Modelle zu erstellen und gleichzeitig mithilfe von Zuverlässigkeitsmetriken Abweichungen zu minimieren. Legen Sie Computekontingente für Ressourcen fest, und wenden Sie Richtlinien an, um die Einhaltung von Standards in Bezug auf Sicherheit, Datenschutz und Compliance sicherzustellen. Erstellen Sie Überwachungspfade, um gesetzliche Anforderungen zu erfüllen, wenn Machine Learning-Ressourcen beschriftet und Experimente automatisch nachverfolgt werden.

Wichtige Phasen von MLOps

Schritt 1 von 4

Reproduzierbare Modelle erstellen und trainieren

Verwandeln Sie den Trainingsprozess in eine reproduzierbare Pipeline, indem Sie mehrere Machine Learning-Pipelines verwenden, um alle Schritte zusammenzufassen – von der Datenaufbereitung bis hin zur Modellevaluierung.

Schritt 2 von 4

Modelle packen und bereitstellen

Packen Sie das Modell in ein Containerimage, und stellen Sie es dann bereit. Verwenden Sie die Profilerstellung, um die idealen CPU- und Arbeitsspeichereinstellungen zu ermitteln und Modelle zu validieren.

Schritt 3 von 4

Workflows automatisieren, überwachen und verwalten

Automatisieren Sie den kompletten Machine Learning-Lebenszyklus mit Azure Machine Learning und GitHub, um Modelle häufig zu aktualisieren, neue Modelle zu testen und kontinuierlich neue ML-Modelle zusätzlich zu Ihren weiteren Anwendungen und Diensten einzuführen.

Schritt 4 von 4

Governance und Steuerungen

Erfassen Sie die erforderlichen Daten zur Einrichtung eines vollständigen Überwachungspfads für den Machine Learning-Lebenszyklus: Sie können beispielsweise überwachen, wer Modelle veröffentlicht, warum Änderungen vorgenommen werden und wann Modelle in der Produktion bereitgestellt oder verwendet wurden.

Häufig gestellte Fragen zu MLOps

  • Die umfangreiche Modellregistrierung erfasst wichtige Informationen wie z. B. Frameworkversionen, Zweck des Modells, Ursprung des Modells, Leistungsprofil sowie weitere Daten, die zum Operationalisieren und Bereitstellen des Modells verwendet werden.
  • Der Überwachungspfad ermöglicht die automatische Nachverfolgung von Experimenten und Datasets, die dem registrierten Machine Learning-Modell und den zugehörigen Bereitstellungen entsprechen.
  • Die Profilerstellungsfunktionen für Modelle helfen dabei, optimale Ausführungskonfigurationen schneller und mit höherer Qualität zu ermitteln, und bieten Empfehlungen für die richtige Balance zwischen Kosten und Latenz. Die Modellvalidierung ermöglicht das Ziehen von umfangreichen Rückschlüssen aus Modellen und das Überprüfen der Ausgabequalität.

Sind Sie bereit? Dann richten Sie Ihr kostenloses Azure-Konto ein.