Операции машинного обучения (MLOps)
Возможности Машинного обучения Azure, которые автоматизируют и сокращают цикл машинного обучения
Быстрое внедрение инноваций благодаря надежному управлению жизненным циклом машинного обучения
MLOps, или DevOps для машинного обучения, позволяет командам специалистов по обработке и анализу данных и ИТ-специалистов сотрудничать, а также увеличивать темпы разработки и развертывания моделей с помощью мониторинга, проверки и системы управления для моделей машинного обучения.
Воспроизводимость обучения благодаря расширенному отслеживанию наборов данных, кода, экспериментов и сред в обширном реестре моделей.
Автоматическое масштабирование, мощные управляемые вычисления, развертывание без кода и средства для простого обучения и развертывания моделей.
Эффективные рабочие процессы с возможностями планирования и управления для сборки и развертывания с использованием непрерывной интеграции и непрерывного развертывания (CI/CD).
Расширенные возможности для достижения целей системы управления и контроля и обеспечения прозрачности и равномерного распределения модели.
Создание воспроизводимых рабочих процессов и моделей
Сократите вариации в итерациях моделей и обеспечьте отказоустойчивость для сценариев корпоративного уровня с помощью воспроизводимого обучения и моделей. Используйте реестры наборов данных и расширенные реестры моделей для отслеживания ресурсов. Обеспечьте улучшенную прослеживаемость благодаря отслеживанию кода, данных и метрик в журнале выполнения. Создавайте конвейеры машинного обучения для проектирования, развертывания и администрирования воспроизводимых рабочих процессов моделей для согласованной доставки моделей.
Простое развертывание высокоточных моделей в любом расположении
Быстро и уверенно выполняйте развертывание. Используйте автоматическое масштабирование, управляемые кластеры ЦП и GPU с распределенным обучением в облаке. Быстро упаковывайте модели, обеспечивая высокое качество на каждом этапе благодаря использованию средств профилирования и проверки моделей. Используйте управляемое развертывание для переноса моделей в рабочую среду.
Эффективное управление всем жизненным циклом машинного обучения
Используйте встроенную интеграцию с действиями Azure DevOps и GitHub для эффективного планирования и автоматизации рабочих процессов, а также управления ими. Оптимизируйте конвейеры обучения и развертывания моделей, применяйте CI/CD, чтобы упростить переобучение, и легко встраивайте машинное обучение в существующие процессы выпуска. Используйте расширенный анализ смещения данных, который позволит повысить производительность модели с течением времени.
Система управления ресурсами машинного обучения и контроль над ними
Отслеживайте журнал версий и происхождение модели, чтобы обеспечить возможность аудита. Прозрачность модели позволит оценивать важность признаков и создавать более совершенные модели с минимальным смещением с помощью метрик равномерного распределения. Устанавливайте квоты вычислений для ресурсов и применяйте политики, чтобы обеспечить соблюдение стандартов безопасности, конфиденциальности и соответствия требованиям. Создавайте журналы аудита для выполнения нормативных требований по мере маркировки ресурсов машинного обучения и автоматической трассировки экспериментов.
Основные этапы MLOps
Создание и обучение воспроизводимых моделей
Превратите процесс обучения в воспроизводимый конвейер с помощью конвейеров машинного обучения, чтобы объединить все этапы — от подготовки данных до оценки моделей.
Упаковка и развертывание моделей
Упакуйте модель в образ контейнера, а затем разверните его. С помощью профилирования определите оптимальные параметры ЦП и памяти и выполните проверку моделей.
Автоматизация рабочих процессов, мониторинга и управления
Автоматизируйте весь жизненный цикл машинного обучения с помощью Машинного обучения Azure и GitHub. Это даст возможность регулярно обновлять модели, тестировать новые модели и постоянно развертывать новые модели машинного обучения наряду с другими вашими приложениями и службами.
Система управления и контроль
Регистрируйте данные, необходимые для создания журнала непрерывного аудита жизненного цикла машинного обучения, включая информацию о том, кто публикует модели, почему вносятся изменения и когда модели были развернуты или использованы в рабочей среде.
Ресурсы
Инфографика жизненного цикла
Часто задаваемые вопросы о MLOps
-
Расширенный реестр моделей содержит ключевую информацию, такую как версии платформы, назначение модели, происхождение модели, профиль производительности и другие данные, используемые для ввода в эксплуатацию и развертывания модели.
-
Журнал аудита позволяет автоматически отслеживать эксперименты и наборы данных, которые соответствуют зарегистрированной модели машинного обучения и ее развертываниям.
-
Возможности профилирования моделей помогают быстрее и точнее определять оптимальные конфигурации выполнения, а также предоставляют рекомендации по затратам и задержкам. Проверка моделей позволяет получать выводы для моделей в нужном масштабе и проверять качество выходных данных.