Explorar a arquitetura da solução
Para planejar a escala e a automação, você trabalhou junto com vários stakeholders para decidir sobre uma arquitetura de MLOps (operações de machine learning).
Observação
O diagrama é uma representação simplificada de uma arquitetura de MLOps. Para ver uma arquitetura mais detalhada, explore os diversos casos de uso no acelerador de solução de MLOps (v2).
A arquitetura inclui:
- Instalação: criar todos os recursos do Azure necessários para a solução.
- Desenvolvimento de modelo (loop interno): explorar e processar os dados para treinar e avaliar o modelo.
- Integração contínua: empacotar e registrar o modelo.
- Implantação de modelo (loop externo): implantar o modelo.
- Implantação contínua: testar o modelo e promovê-lo ao ambiente de produção.
- Monitoramento: monitorar o desempenho do modelo e do ponto de extremidade.
O mais importante para o desafio atual é usar um modelo do desenvolvimento de modelos para a implantação de modelo. A etapa entre esses dois loops é para empacotar e registrar o modelo. Depois que a equipe de ciência de dados tiver treinado um modelo, é essencial empacotá-lo e registrá-lo no workspace do Azure Machine Learning. Depois que o modelo é registrado, é hora de implantá-lo.
Há várias abordagens para empacotar o modelo. Depois de revisar algumas opções, como trabalhar com arquivos de seleção, você decidiu com a equipe de ciência de dados trabalhar com o MLflow. Ao registrar o modelo como um modelo do MLflow, você pode optar pela implantação sem código no workspace do Azure Machine Learning. Quando você usa a implantação sem código, não precisa criar o script de pontuação e o ambiente para que a implantação funcione.
Quando você deseja implantar um modelo, você tem uma opção entre um ponto de extremidade online para previsões em tempo real ou um ponto de extremidade em lote para previsões em lotes. Como o modelo será integrado a um aplicativo Web em que o profissional vai inserir dados médicos esperando obter uma resposta direta, você optará por implantar o modelo em um ponto de extremidade online.
Você pode implantar o modelo manualmente no workspace do Azure Machine Learning. No entanto, você espera implantar mais modelos no futuro. E você quer reimplantar com facilidade o modelo de classificação de diabetes sempre que o modelo tiver sido retreinado. Portanto, você deseja automatizar a implantação do modelo sempre que possível.
Observação
Embora a automação seja um aspecto crítico do MLOps, é crucial manter um humano no loop. É uma prática recomendada verificar o modelo antes de implantá-lo automaticamente.