Explorar a arquitetura da solução

É importante entender o panorama geral antes de prosseguir com a implementação para garantir que todos os requisitos sejam atendidos. Também queremos garantir que a abordagem seja facilmente adaptável no futuro. O foco deste exercício é começar a usar o GitHub Actions como a ferramenta de orquestração e automação para a estratégia de MLOps (operações de machine learning) definida na arquitetura da solução.

A arquitetura inclui:

1. Configuração: crie todos os recursos necessários do Azure para a solução.
2. Desenvolvimento de modelo (loop interno): explore e processe os dados para treinar e avaliar o modelo.
3. Integração contínua: empacotar e registrar o modelo.
4. Implantação de modelo (loop externo): implante o modelo.
5. Implantação contínua: Teste o modelo e promova o ambiente de produção.
6. Monitoramento: Monitorar o desempenho do modelo e do endpoint.

Especificamente, vamos automatizar a parte de treinamento do desenvolvimento do modelo, ou loop interno, o que, por fim, nos permitirá treinar e registrar rapidamente vários modelos para implantação em ambientes de preparo e de produção.

O workspace do Azure Machine Learning, a computação do Azure Machine Learning e o repositório GitHub foram criados para você pela equipe de infraestrutura.

Além disso, o código usado para treinar o modelo de classificação está pronto para produção, e os dados necessários para treinar o modelo estão disponíveis em um Armazenamento de Blobs do Azure conectado ao workspace do Azure Machine Learning.

Sua implementação permitirá que a movimentação do loop interno para o externo seja um processo automatizado que acontece sempre que um cientista de dados envia um novo código de modelo para o repositório GitHub, permitindo a entrega contínua de modelos de machine learning para os consumidores downstream do modelo, como o aplicativo Web que usará o modelo de classificação de dados de diabetes.