件运行还存储任何类型的文件以便将经过训练的模型作为...

papri555

部分包含在内（序列化为 pkl 或任何支持的格式）。查找数据文件（例如，Parquet 格式）、图像（例如，使用 SHAP 可视化功能重要性）或源代码快照也很常见。 模型实现 一旦我们正在试验的模型准备就绪并且完成了探索阶段，就有必要将其投入生产。请记住，任何未投入生产的模型都不会获得任何投资回报。 MLflow 和 Azure 机器学习 注册模型后，我们需要决定如何实现它。在这种情况下，有多种方法可以将模型部署到生产中；例如使用MLflow和Azure 机器学习： PySpark UDF：得益于 MLflow 的不同功能，可以将模型导出到 PySpark UDF 函数，以通过 Databricks 执行直接推理。 Azure 机器学习工作区 (AzML)：另一方面，如果您想要产品化 Web 服务，最好的选择是使用 AzML 函数导出模型。在这种情况下，您可以： 注册要部署到工作区的模型。 生成 Docker 镜像。 通过 Azure 容器实例部署 Web 服务（以测试 Web 服务中的模型）或直接部署到生产 AKS，您将在其中指定所需的 Kubernetes Pod 部署配置。

这将涵盖模型的部署部分，但此过程仍然需要自动化。就代码中的 CI/CD 而言，很明显，当代码推送时，它必须通过一些测试和验证，以便在生产中   电话数据  不会出现错误并正常工作。然而，机器学习模型的周期更为复杂。 模型的生命流程由以下部分组成： 准备可供使用的数据。 探索性数据分析以了解数据回答业务问题。 一旦数据经过验证，数据就会被转换以获得特征工程中必要的特征。 有了这些数据，我们就可以继续进行模型训练，其中将遵循不同的方法并选择最合适的方法。 一旦选择了最佳模型，将在部署之前对其进行验证。 该模型部署在不同的环境中。 最后，我们将监控模型的性能，以便将来不会出现问题，并且可以分析任何退化情况。 可以看出，虽然比代码生命周期更复杂，但 DevOps 周期必须适应它们。在这种情况下，我们可以在 Azure DevOps 中使用 Azure 管道，但还有其他工具也可以解决该问题。




将构建的管道的示例如下： 模型代码已推送。 另一方面，添加评估模型性能所需的必要训练配置和验证集。 配置完成后，将使用提供的配置对模型进行训练和验证，并添加所有必要的验证。 完成这些验证后，就需要构建 Docker。 Docker 存储在Azure 容器注册表中。 最后，将 Docker 映像部署到 AKS 以启动 Web 服务。 所有这些任务都可以配置，或者可以根据生产中的代码段或机器学习模型建立不同的管道。此外，这在自动化最适合服务需求的特定管道方面提供了很多多功能性。 因此，管道可以采用经过训练的模型，执行验证，然后进行部署。综上所述，建议联合使用MLflow、Azure机器学习工作区和Azure DevOps来进行不同机器学习模型的集成和持续部署。 模型监控 将模型部署到生产中并不是结束，而只是对您的业务产生积极影响的开始。但是，您需要监控已经开发的内容并确保您的模型得到正确的答案。由于所有这些原因，有必要监控您的模型。 输入数据和模型预测都受到监控，以分析统计属性（数据漂移、模型性能等）和计算性能（错误、流程等。