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

Этап 1 из 4

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.

Этап 2 из 4

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.

Этап 3 из 4

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.

Этап 4 из 4

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.

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.

Бесплатная учетная запись Azure готова к настройке в любой момент