Operaciones de Machine Learning (MLOps)
Funcionalidades de Azure Machine Learning que automatizan y agilizan el ciclo de vida del aprendizaje automático
MLOps permite ofrecer innovación con más rapidez
MLOps, o DevOps para Machine Learning, permite a los equipos de ciencia de datos y TI colaborar y aumentar el ritmo del desarrollo y la implementación de modelos a través de la supervisión, validación y gobernanza de los modelos de Machine Learning.
Entrenamiento de la reproducibilidad con seguimiento avanzado de conjuntos de datos, código, experimentos y entornos en un registro de modelo enriquecido.
Escalado automático, proceso administrado eficaz, implementación sin código y herramientas para facilitar el entrenamiento y la implementación del modelo.
Flujos de trabajo eficientes con funcionalidades de programación y administración para crear e implementar con integración continua e implementación continua (CI/CD).
Funcionalidades avanzadas para cumplir los objetivos de gobernanza y control y promover la transparencia y la equidad del modelo.
Centro de recursos
Haga un recorrido por todo el proceso de MLOps.
Acceda a vídeos y cuadernos complementarios, ejemplos de código y documentación.
Características de MLOps en profundidad: Administre sus recursos, artefactos y código
Características de MLOps en profundidad: Cree flujos de trabajo de Machine Learning controlados por eventos, vídeo de Microsoft Channel 9
Características de MLOps en profundidad: CI/CD con Acciones de GitHub, vídeo de Microsoft Channel 9
Desarrolle sus conocimientos del aprendizaje automático con Azure
Obtenga más información sobre el aprendizaje automático en Azure y participe en tutoriales prácticos en este recorrido de aprendizaje de 30 días. Cuando acabe este recorrido de aprendizaje, estará preparado para la certificación Azure Data Scientist Associate.
Recursos adicionales
MLOps en GitHub
Para obtener más ejemplosDocumentación de MLOps
Lea la documentaciónVea MLOps en acción
Cree canalizaciones de ML para diseñar, implementar y administrar flujos de trabajo de modelos
Cree canalizaciones de ML para diseñar, implementar y administrar flujos de trabajo de modelos
Automatización de una canalización de aprendizaje automático
Sam es un científico de datos que trabaja para un minorista de moda en línea. En esta empresa, empezaron a usar aprendizaje automático recientemente para proporcionar recomendaciones oportunas y precisas, lo que mejoró la satisfacción de los clientes y las ventas.
Después de una actualización reciente del catálogo, le han pedido a Sam que actualice el modelo de recomendaciones de la marca. Pero hay un problema: nadie está muy seguro sobre el origen del modelo actual, por lo que será necesario rehacerlo todo.
Sam recurre a Azure ML para crear un flujo de trabajo reproducible y del que se pueda hacer un seguimiento.
Sam es un científico de datos que trabaja para un minorista en línea al que le han encargado que actualice su modelo de recomendaciones después de una actualización reciente del catálogo. Sam busca la canalización del modelo, pero nadie sabe de dónde procede el modelo.
Recurre a Azure ML para crear un flujo de trabajo del modelo del que se pueda hacer un seguimiento.
Integre Azure ML en sus herramientas de aprendizaje automático actuales
Sam aprovecha el SDK de Azure ML para incorporar su trabajo actual basado en Jupyter Notebook a Azure ML. Esto le permite aprovechar las características de escala y colaboración de Azure ML. Independientemente del marco de aprendizaje automático que se utilice, se pueden crear versiones del código y de los conjuntos de datos de entrenamiento, y se pueden vincular a un experimento del que se puede hacer un seguimiento.
Capture las métricas de cada ejecución del experimento
Cada vez que Sam lleva a cabo una ejecución, Azure ML realiza un seguimiento de las métricas y lo registra para revisarlo. Esto prácticamente crea instantáneas de las entradas (como los conjuntos de datos, el código y los parámetros) y de las salidas (como los registros, las métricas y los modelos) para evaluarlas y compararlas.
Use el área de trabajo de Azure ML para revisar los modelos y experimentos
Aunque Sam sigue trabajando en su entorno de cuaderno, su equipo, tanto ahora como en el futuro, puede usar Azure ML Studio para realizar fácilmente un seguimiento de cada registro y cada paso utilizados en la creación del modelo final del registro de modelos.
Cree una canalización reutilizable para ofrecer eficiencia y coherencia
Con las canalizaciones de Azure ML, Sam crea una canalización de ML reutilizable para ofrecer un flujo de trabajo de entrenamiento de modelos que se desencadena de forma automática cuando se producen cambios en los datos de origen. También mejora la eficiencia al reutilizar el resultado de los pasos con entradas sin cambios.
Cree canalizaciones de aprendizaje automático reproducibles
Con Azure ML, Sam ha creado un flujo de trabajo reproducible del que se puede hacer un seguimiento. Ahora cada modelo que produce el equipo está asociado a una ejecución del experimento, lo que permite al equipo revisarlo e iterarlo. Con una canalización reproducible, Sam puede dejar que Azure ML automatice el reentrenamiento mientras él se centra en su próxima genialidad.
Azure ML permite crear canalizaciones de aprendizaje automático de nivel empresarial a través de la reproducibilidad y la rastreabilidad. Esto conduce a una entrega de modelos más coherente, con menos variabilidad y más tolerancia a errores.
Canalizaciones de Azure ML Repositorio de GitHub para esta demostración
Con Azure ML, Sam ha creado un flujo de trabajo reproducible del que se puede hacer un seguimiento. Ahora cada modelo que produce el equipo está asociado a una ejecución del experimento, lo que permite al equipo revisarlo e iterarlo. Con una canalización reproducible, Sam puede dejar que Azure ML automatice el reentrenamiento mientras él se centra en su próxima genialidad.
Azure ML permite crear canalizaciones de aprendizaje automático de nivel empresarial a través de la reproducibilidad y la rastreabilidad. Esto conduce a una entrega de modelos más coherente, con menos variabilidad y más tolerancia a errores.
Canalizaciones de Azure ML Repositorio de GitHub para esta demostración
Implemente modelos con rapidez y confianza, usando clústeres de inferencia distribuidos, administrados y con escalabilidad automática
Implemente modelos con rapidez y confianza, usando clústeres de inferencia distribuidos, administrados y con escalabilidad automática
Implementación de un punto de conexión de servicio web para un modelo
Sam, un científico de datos que trabaja para un minorista de moda en línea, ha agregado recientemente Azure ML a su flujo de trabajo para crear modelos de más calidad. Su canalización automatizada acaba de registrar un modelo final, que incluye los resultados de los experimentos que muestran la mejoría del rendimiento.
Sin embargo, el equipo de desarrollo web no está tan entusiasmado. No tiene claro cómo insertar un modelo de aprendizaje automático en la aplicación web y, en su lugar, ha pedido un servicio web. Sam no es un experto en servicios web, por lo que recurre a Azure ML para agregar un punto de conexión de servicio web al modelo.
Sam, un científico de datos que trabaja para un minorista en línea, usó Azure ML para crear y registrar un modelo. Ahora su equipo de desarrollo web le ha pedido un punto de conexión web para llamar al modelo para la inferencia. Sam usa Azure ML para crear ese punto de conexión de servicio web.
Capture el modelo más reciente y genere su perfil para producción
Sam puede usar Azure ML para implementar y administrar los puntos de conexión de servicio web. En primer lugar, captura el modelo más reciente del registro y genera su perfil para ver qué tipo de recursos puede necesitar en producción.
Inserte el modelo en una instancia de Azure Container Instances
Con los datos de la generación del perfil a mano, Sam usa Azure ML para empaquetar el modelo en un contenedor e implementarlo en una instancia de Azure Container Instances para llevar a cabo la inferencia en tiempo real o por lotes. Azure ML permite automatizar la generación del esquema y la supervisión del modelo una vez implementado.
Implemente el modelo en puntos de conexión escalables y diversos y lleve a cabo pruebas A/B
Azure ML facilita la implementación de los modelos dondequiera que se necesiten, desde la nube hasta el perímetro. Puede aprovechar cualquier opción de proceso, como CPU, GPU y FPGA. Con solo un par de líneas de código, Sam puede insertar el mismo modelo en una instancia más escalable de Azure Kubernetes Service e incluso practicar la funcionalidad avanzada de pruebas A/B para la validación de modelos nuevos.
Habilite al equipo de desarrollo web para que use el modelo implementado
Una vez que el modelo se implementa en una instancia de Azure Kubernetes Service, el equipo de desarrollo web puede acceder al punto de conexión de servicio web para poder llamar desde la aplicación y satisfacer las necesidades de inferencia en tiempo real o por lotes. El punto de conexión del modelo se sigue supervisando para comprobar el desfase de los datos y otras métricas que se pueden auditar según sea necesario.
Azure ML permite publicar los modelos dondequiera que se necesiten
Con Azure ML, Sam ha tomado su modelo de código abierto y lo ha convertido rápidamente en un servicio web listo para producción que ya puede usar su equipo de desarrollo. Como científico de datos, ha podido centrarse en el desarrollo de modelos, en lugar de tener que preocuparse por las numerosas tecnologías necesarias para el hospedaje de servicios (como Kubernetes, Flask y Swagger).
Azure ML ayuda a los científicos de datos a convertir los modelos de forma fluida en servicios web consolidados y completos que se pueden incorporar rápidamente a las aplicaciones.
Implementación de modelos con Azure Machine Learning Repositorio de GitHub para esta demostración
Con Azure ML, Sam ha tomado su modelo de código abierto y lo ha convertido rápidamente en un servicio web listo para producción que ya puede usar su equipo de desarrollo. Como científico de datos, ha podido centrarse en el desarrollo de modelos, en lugar de tener que preocuparse por las numerosas tecnologías necesarias para el hospedaje de servicios (como Kubernetes, Flask y Swagger).
Azure ML ayuda a los científicos de datos a convertir los modelos de forma fluida en servicios web consolidados y completos que se pueden incorporar rápidamente a las aplicaciones.
Implementación de modelos con Azure Machine Learning Repositorio de GitHub para esta demostración
Integre los modelos con Azure DevOps y Acciones de GitHub para automatizar los flujos de trabajo de aprendizaje automático
Integre los modelos con Azure DevOps y Acciones de GitHub para automatizar los flujos de trabajo de aprendizaje automático
Integración de modelos en el flujo de trabajo de DevOps
Sam, un científico de datos que trabaja para un minorista de moda en línea, ha adoptado Azure ML para crear e implementar sus modelos. Recientemente lanzó un modelo en una instancia de producción de Azure Kubernetes Service. El equipo web lo ha integrado en su aplicación web con resultados prometedores.
Puesto que ahora es una parte fundamental de la aplicación web, Rebecca, del equipo de operaciones, quiere asegurarse de que la creación y la implementación del modelo formen parte de sus flujos de trabajo de DevOps. Sam no está totalmente seguro de cómo hacerlo. Le enseña Azure ML a Rebecca para determinar cómo puede satisfacer sus necesidades.
Sam, un científico de datos, ha usado Azure ML recientemente para crear e implementar modelos. Acaba de lanzar un modelo en la instancia de AKS de producción. Rebecca quiere integrarlo en sus flujos de trabajo de DevOps. Sam le muestra Azure ML.
Cree una nueva canalización de versión con Azure Pipelines
Rebecca crea una nueva canalización de Azure Pipelines para automatizar el proceso de implementación. El primer paso de la canalización lleva a cabo tareas como la creación del modelo con todas las dependencias y la comprobación de errores. Para que la canalización se desencadene automáticamente, Rebecca la conecta al registro de modelos de Azure ML. Esto asegura que pueda iniciarse cada vez que se registre un modelo nuevo o una versión nueva del modelo.
Publique el modelo para validarlo
Rebecca agrega una tarea para publicar el modelo en una instancia de Azure Container Instances con el fin de validarlo antes de pasarlo a producción. Rebecca usa la CLI de Azure para interactuar con Azure ML. Le da acceso a las mismas características que tiene en las herramientas que utiliza, igual que Sam en su cuaderno. Este paso imita las pruebas de integración del proceso de DevOps de la aplicación.
Mueva el modelo a producción una vez validado
Rebecca agrega una tarea de canalización de versión para implementar el modelo en producción con Azure Kubernetes Service. Antes de que se active esta tarea, Rebecca configura una puerta que requiere que un responsable o administrador dé su valoración y aprobación antes de continuar. Esto asegura que la canalización no provoque interrupciones importantes si algo no se detectó en las validaciones con scripts.
Configure la detección del desfase de los datos para desencadenar el reentrenamiento
Puesto que Rebecca configura la canalización automatizada para implementar los modelos, Sam ha habilitado la supervisión del desfase de los datos con Azure ML. Al supervisar el uso del servicio, puede ver si las solicitudes de inferencia en producción empiezan a desviarse del conjunto de datos de entrenamiento, lo que indicaría una necesidad de volver a entrenar el modelo.
Supervise la estabilidad y el rendimiento del servicio
Gracias a la integración con Azure Application Insights, Rebecca puede supervisar también varios aspectos de las operaciones del servicio, como el número de solicitudes, la carga del clúster de AKS, la latencia de las respuestas, etc., mientras que Sam supervisa el rendimiento del modelo y determina si debe optimizarse.
Supervise la estabilidad y el rendimiento del servicio
Azure ML se ha integrado perfectamente en el flujo de trabajo de DevOps de Rebecca, desde la automatización del lanzamiento hasta la supervisión en producción, con la integración nativa en las herramientas actuales, como Azure DevOps y Azure Application Insights. Mientras que Rebecca controla las operaciones del servicio, Azure ML le proporciona a Sam herramientas para supervisar y administrar el rendimiento del modelo y optimizarlo según sea necesario.
Azure ML ayuda a la ciencia de datos a ocupar un lugar destacado en el actual proceso de DevOps de su organización, lo que da lugar a proyectos de aprendizaje automático más confiables y sólidos.
CI/CD with Azure DevOps and Github actions Detect data drift Github repo for this demo
Azure ML se ha integrado perfectamente en el flujo de trabajo de DevOps de Rebecca, desde la automatización del lanzamiento hasta la supervisión en producción, con la integración nativa en las herramientas actuales, como Azure DevOps y Azure Application Insights. Mientras que Rebecca controla las operaciones del servicio, Azure ML le proporciona a Sam herramientas para supervisar y administrar el rendimiento del modelo y optimizarlo según sea necesario.
Azure ML ayuda a la ciencia de datos a ocupar un lugar destacado en el actual proceso de DevOps de su organización, lo que da lugar a proyectos de aprendizaje automático más confiables y sólidos.
CI/CD with Azure DevOps and Github actions Detect data drift Github repo for this demo
Mejore la gobernanza y la administración de costos en sus proyectos de ML
Mejore la gobernanza y la administración de costos en sus proyectos de ML
Habilitación de gobernanza en torno a un modelo de ML
Phil, el director de TI de un minorista de moda en línea, está entusiasmado con el trabajo que vienen realizando los equipos de ciencia de datos y operaciones con Azure ML para cumplir la promesa del aprendizaje automático de una manera sólida y repetible.
Phil tiene un problema: es responsable de la infraestructura de TI, pero no está seguro de lo que hay en producción, de quién tiene acceso ni de cuánto costará. Está pensando en Azure ML para que lo ayude a cumplir estas responsabilidades de gobernanza fundamentales.
Phil, el director de TI de un minorista en línea, está entusiasmado con el trabajo de Sam y Rebecca. Pero Phil es responsable de la infraestructura de TI y no sabe cómo asegurar la gobernanza en torno al proyecto de ML. Está pensando en Azure ML para que lo ayude.
Revise los modelos en producción
Azure ML le permite a Phil auditar los puntos de conexión de producción. Puede volver a los experimentos y modelos subyacentes, junto con las salidas de las explicaciones y el análisis de imparcialidad de los modelos. Esto asegura que Phil pueda realizar un seguimiento de cada paso del proceso de creación de los modelos y habilitar su auditoría para comprobar si hay algún sesgo.
Compruebe los registros de auditoría para ver el historial detallado del modelo
En Azure, puede acceder a los registros de auditoría de Azure ML. Esto complementa la trazabilidad de los modelos y experimentos con un registro detallado que muestra cada acción de la que se hace un seguimiento con la fecha, la hora y el usuario correspondiente. Estos registros ayudan a Phil a hacer un seguimiento de las acciones que inicia el servicio Azure ML o que se inician en él para la rendición de cuentas en toda la organización.
Proteja el área de trabajo con Azure IAM estándar
Phil puede usar Azure IAM para administrar el acceso al área de trabajo de Azure ML. Azure ML proporciona un amplio abanico de roles listos para usar. También permite crear roles personalizados. Estos roles se pueden asociar a tareas específicas que los usuarios pueden realizar y controlar el acceso a los recursos o la capacidad de enviar trabajos, etc.
Asegure la rendición de cuentas con los recursos de Azure
Junto con las características de administración de costos de Azure, Azure ML permite controlar la responsabilidad por medio de cuotas de recursos que admiten límites configurables del nivel del área de trabajo. Esto ayuda a Phil a administrar los gastos y a asegurar una asignación equitativa de los recursos entre los equipos. También fomenta la responsabilidad de los equipos de proyectos, que deben administrarse con los recursos asignados.
Consiga gobernanza y cumplimiento normativo con los modelos de los proyectos de ML
Phil está agradecido porque Azure ML no solo ayuda a los equipos de operaciones y ciencia de datos, sino que también ofrece características de gobernanza de nivel empresarial que él necesita para cumplir con sus responsabilidades. Puede ver exactamente qué hay en producción y garantizar el cumplimiento normativo de la organización mediante auditorías, el control de acceso basado en rol y la administración de cuotas.
Azure ML proporciona los controles organizativos esenciales para lograr que los proyectos de aprendizaje automático sean seguros y satisfactorios.
Supervisión de Azure Machine Learning Planeamiento y administración de los costos de Azure Machine Learning Repositorio de GitHub para esta demostración
Phil está agradecido porque Azure ML no solo ayuda a los equipos de operaciones y ciencia de datos, sino que también ofrece características de gobernanza de nivel empresarial que él necesita para cumplir con sus responsabilidades. Puede ver exactamente qué hay en producción y garantizar el cumplimiento normativo de la organización mediante auditorías, el control de acceso basado en rol y la administración de cuotas.
Azure ML proporciona los controles organizativos esenciales para lograr que los proyectos de aprendizaje automático sean seguros y satisfactorios.
Supervisión de Azure Machine Learning Planeamiento y administración de los costos de Azure Machine Learning Repositorio de GitHub para esta demostración
Vea cómo ofrecen valor los clientes con MLOps
Sze-Wan Ng: directora de análisis y desarrollo, Translink"With MLOps capabilities in Azure Machine Learning, we've improved bus departure predictions by 74 percent, and riders spend 50 percent less time waiting."
Vijaya Sekhar Chennupati, científico de datos aplicados, Johnson Controls"Using the MLOps capabilities in Azure Machine Learning, we were able to increase productivity and enhance operations, going to production in a timely fashion and creating a repeatable process."
