MLOps定义

　　MLOps是一门工程学科，旨在统一 ML 系统开发（dev）和 ML 系统部署（ops），以标准化过程生产高性能模型的持续交付。实现 MLOps 有助于使机器学习工作负载可靠且可重现。例如，你将能够在始终将模型保留在生产环境中时根据需要监视、重新训练和重新部署模型。

MLOps 体系结构包括以下部分：

设置：为解决方案创建所有必需的 Azure 资源。
模型开发（内部循环）：浏览并处理数据来训练和评估模型。
持续集成：打包并注册模型。
模型部署（外部循环）：部署模型。
持续部署：测试模型并提升到生产环境。
监视：监视模型和终结点性能

MLOps-预测糖尿病示例

　　　　接下来将以机器学习中常用的糖尿病数据集（糖尿病数据集 - Azure Open Datasets | Microsoft Learn）使用Azure机器学习工作室对该数据集训练模型并部署。

　　创建工作区

　　　　 Azure 机器学习工作区来使用设计器。工作区是 Azure 机器学习的顶级资源，提供一个中心位置用于处理 Azure 机器学习中创建的所有项目。

　　导入数据

　　　　在新建立的工作区中创建数据资产，并标记好名称和数据类型

　　　　选择数据源并导入数据

　　　　预览数据并设置数据格式后创建数据资产

　　创建计算资源

　　　　选择合适的计算群集创建

　　创建管道

　　　　Azure 机器学习管道可将多个机器学习和数据处理步骤组织成单个资源。

　　　　通过拉取左侧组件到右侧的画布上即可进行组件的放置，并可在对应的输入/输出间建立管道

　　　　最终创建的管道如下：其中“Prediction-diabetes”为准备好的数据，“Select Columns in Dataset”组件选择有效的数据列，“Normalize Data”组件将数据正则化，“Split Data”组件将数据按照7:3的比例分为训练集和测试集，利用“Two-Class Logistic Regression”和“Train Model”组件对训练集数据进行二元回归建立模型，“Score Model”和“Evaluate Model”组件对模型进行评分和评估。