Che cosa sono le pipeline di Azure Machine Learning?

Una pipeline di Azure Machine Learning è un flusso di lavoro che automatizza un'attività di Machine Learning completa. Standardizza le procedure consigliate, supporta la collaborazione in team e migliora l'efficienza.

Perché le pipeline di Azure Machine Learning sono necessarie?

• Standardizza le operazioni di Machine Learning (MLOps) e supporta la collaborazione in team scalabile
• Migliora l'efficienza del training e riduce i costi

Una pipeline suddivide un'attività di Machine Learning in passaggi. Ogni passaggio è un componente gestibile che può essere sviluppato e automatizzato separatamente. Azure Machine Learning gestisce le dipendenze tra i passaggi. Questo approccio modulare:

• Standardizza MLOps e supporta la collaborazione in team
• Migliora l'efficienza del training e riduce i costi
• Standardizza le operazioni di Machine Learning (MLOps) e supporta la collaborazione in team scalabile
• Migliora l'efficienza del training e riduce i costi

Standardizzare la pratica MLOps e supportare la collaborazione tra team scalabili

MLOps automatizza la compilazione e la distribuzione di modelli. Le pipeline semplificano questo processo eseguendo il mapping di ogni passaggio a un'attività specifica, in modo che i team possano lavorare in modo indipendente.

Ad esempio, un progetto può includere raccolta dati, preparazione, training, valutazione e distribuzione. Gli ingegneri dei dati, gli scienziati e gli ingegneri del machine learning sono ciascuno responsabili della propria fase. I passaggi sono compilati in modo ottimale come componenti, quindi integrati in un singolo flusso di lavoro. Le pipeline possono essere sottoposte a controllo delle versioni, automatizzate e standardizzate mediante pratiche DevOps.

Efficienza della formazione e riduzione dei costi

Le pipeline migliorano anche l'efficienza e riducono i costi. Riusano gli output da passaggi non modificati e consentono di eseguire ogni passaggio sulla risorsa di calcolo migliore per l'attività.

Procedure consigliate per iniziare

È possibile creare una pipeline in diversi modi, a seconda del punto di partenza.

Se non hai familiarità con le pipeline, inizia suddividendo il codice esistente in fasi, parametrizzando gli input e racchiudendo il tutto in una pipeline.

Per scalare, usa i template di pipeline per i problemi comuni. I team creano un fork da un modello, lavorano sui passaggi assegnati e aggiornano solo la propria parte, se necessario.

Con pipeline e componenti riutilizzabili, i team possono creare rapidamente nuovi flussi di lavoro clonando o combinando parti esistenti.

Quale tecnologia della pipeline di Azure è consigliabile usare?

Azure offre diversi tipi di pipeline per scopi diversi:

Passaggi successivi

Le pipeline di Azure Machine Learning aggiungono valore fin dall'inizio dello sviluppo.