Machine learning-bewerkingen (MLOps)

Azure Machine Learning-mogelijkheden waarmee de machine learning-levenscyclus wordt geautomatiseerd en versneld

Sneller innovaties leveren met robuust machine learning-levenscyclusbeheer

Met MLOps, of DevOps voor machine learning, kunnen gegevenswetenschappers en IT-teams samenwerken en modellen sneller ontwikkelen en implementeren door middel van bewaking, validatie en governance van machine learning-modellen.

Reproduceerbaarheid van training met geavanceerde traceringen van gegevenssets, code, experimenten en omgevingen in een uitgebreid modelregister.

Automatisch schalen, krachtige beheerde berekeningen, implementatie zonder code en hulpprogramma's voor eenvoudige training en implementatie van modellen.

Efficiënte werkstromen met plannings- en beheermogelijkheden voor het bouwen en implementeren met continue integratie/continue implementatie (CI/CD).

Geavanceerde mogelijkheden om te voldoen aan governance- en beheerdoelstellingen en om modeltransparantie en verdeling te bevorderen.

Reproduceerbare werkstromen en modellen bouwen

Verminder variaties in modeliteraties en bied fouttolerantie voor bedrijfsscenario's via reproduceerbare training en modellen. Gebruik gegevenssets en uitgebreide modelregisters om assets bij te houden. Schakel uitgebreide traceerbaarheid in met tracering voor code, gegevens en metrische waarden in de uitvoeringsgeschiedenis. Bouw ML-pijplijnen om reproduceerbare modelwerkstromen te ontwerpen, implementeren en beheren voor een consistente modellevering.

Overal eenvoudig uiterst nauwkeurige modellen implementeren

Implementeer snel met vertrouwen. Gebruik automatische schaling, beheerde CPU- en GPU-clusters met gedistribueerde training in de cloud. Verpak modellen snel en zorg voor hoge kwaliteit bij elke stap met behulp van modelprofilerings- en validatiehulpprogramma's. Gebruik gecontroleerde implementatie om modellen in productie door te voeren.

De volledige machine learning-levenscyclus efficiënt beheren

Gebruik ingebouwde integratie met Azure DevOps- en GitHub-acties voor het naadloos plannen, beheren en automatiseren van werkstromen. Optimaliseer modeltrainings- en implementatiepijplijnen die zijn gebouwd voor CI/CD om het opnieuw trainen te vergemakkelijken, en pas in uw bestaande releaseprocessen eenvoudig machine learning toe. Gebruik geavanceerde analyses van gegevensdrifts om de prestaties van een model in de loop der tijd te verbeteren.

Governance en beheer voor machine learning-assets realiseren

Traceer de modelversiegeschiedenis en -afkomst voor controle. Gebruik modeltransparantie om inzicht te krijgen in de functie-urgentie en betere modellen te bouwen terwijl u de bias met metrische verdelingsgegevens minimaliseert. Stel rekenquota's in voor resources en pas beleidsregels toe om te voldoen aan de normen voor beveiliging, privacy en naleving. Bouw audittrails om te voldoen aan de wettelijke vereisten wanneer u machine learning-assets tagt en experimenten automatisch bijhoudt.

Belangrijke fasen van MLOps

Stap 1 van 4

Reproduceerbare modellen bouwen en trainen

Zet uw trainingsproces om in een reproduceerbare pijplijn met behulp van machine learning-pijplijnen om alle stappen te combineren, van gegevensvoorbereiding tot modelevaluatie.

Stap 2 van 4

Modellen verpakken en implementeren

Verpak het model in een containerinstallatiekopie en implementeer deze vervolgens. Gebruik profilering om de ideale CPU- en geheugeninstellingen te bepalen en om modellen te valideren.

Stap 3 van 4

Werkstromen automatiseren, bewaken en beheren

Automatiseer de end-to-end machine learning-levenscyclus met Azure Machine Learning en GitHub om regelmatig modellen bij te werken, nieuwe modellen te testen en voortdurend nieuwe machine learning-modellen te implementeren naast uw andere toepassingen en services.

Stap 4 van 4

Governance en beheer toepassen

Leg de gegevens vast die nodig zijn voor het tot stand brengen van een end-to-end audittrail van de machine learning-levenscyclus, waaronder wie modellen publiceert, waarom wijzigingen worden aangebracht en wanneer modellen in productie zijn geïmplementeerd of gebruikt.

Veelgestelde vragen over MLOps

  • In het uitgebreide modelregister worden sleutelgegevens vastgelegd, zoals framework-versies, het doel van het model, de oorsprong van modellen, het prestatieprofiel en andere gegevens die worden gebruikt voor het operationeel maken en implementeren van het model.
  • Met de audittrail kunnen automatisch experimenten en gegevenssets worden bijgehouden die horen bij het geregistreerde machine learning-model en de implementaties hiervan.
  • De mogelijkheden van modelprofilering helpen bij het sneller en beter bepalen van optimale uitvoeringsconfiguraties en bieden aanbevelingen voor kosten versus latentie. Modelvalidatie maakt deductie op basis van modellen op schaal en validatie van uitvoerkwaliteit mogelijk.

Bent u er klaar voor? Stel een gratis Azure-account in