Présentation des pipelines Azure Machine Learning

Un pipeline Azure Machine Learning est un workflow automatique d’une tâche Machine Learning complète. Il normalise les meilleures pratiques, prend en charge la collaboration d’équipe et améliore l’efficacité.

Pourquoi des pipelines Azure Machine Learning sont-ils nécessaires ?

• Normalise les opérations machine learning (MLOps) et prend en charge la collaboration d’équipe évolutive
• Améliore l’efficacité de la formation et réduit les coûts

Un pipeline divise une tâche de machine learning en étapes. Chaque étape est un composant gérable qui peut être développé et automatisé séparément. Azure Machine Learning gère les dépendances entre les étapes. Cette approche modulaire :

• Normalise MLOps et prend en charge la collaboration d’équipe
• Améliore l’efficacité de la formation et réduit les coûts
• Normalise les opérations machine learning (MLOps) et prend en charge la collaboration d’équipe évolutive
• Améliore l’efficacité de la formation et réduit les coûts

Normalisation de la pratique d’opération d’apprentissage automatique (MLOPs) et prise en charge de la collaboration d’équipe évolutive

MLOps automatise la création et le déploiement de modèles. Les pipelines simplifient ce processus en mappant chaque étape à une tâche spécifique, afin que les équipes puissent travailler indépendamment.

Par exemple, un projet peut inclure la collecte de données, la préparation, la formation, l’évaluation et le déploiement. Les ingénieurs données, les scientifiques et les ingénieurs ML possèdent chacun leurs étapes. Les étapes sont mieux intégrées en tant que composants, puis intégrées à un seul flux de travail. Les pipelines peuvent être versionnés, automatisés et normalisés par les pratiques DevOps.

Efficacité de la formation et réduction des coûts

Les pipelines améliorent également l’efficacité et réduisent les coûts. Ils réutilisent les sorties des étapes inchangées et vous permettent d’exécuter chaque étape sur la meilleure ressource de calcul pour la tâche.

Meilleures pratiques de prise en main

Vous pouvez créer un pipeline de plusieurs façons, en fonction de votre point de départ.

Si vous débutez avec les pipelines, commencez par fractionner le code existant en étapes, paramétrer les entrées et encapsuler tout dans un pipeline.

Pour effectuer une mise à l’échelle, utilisez des modèles de pipeline pour des problèmes courants. Les équipes dupliquent un modèle, travaillent sur les étapes affectées et mettent à jour uniquement leur partie en fonction des besoins.

Avec des pipelines et des composants réutilisables, les équipes peuvent rapidement créer de nouveaux flux de travail en clonant ou en combinant des éléments existants.

Quelle technologie de pipeline Azure dois-je utiliser ?

Azure fournit plusieurs types de pipelines à des fins différentes :

Étapes suivantes

Les pipelines Azure Machine Learning ajoutent de la valeur dès le début du développement.