Il WorkFlow
In questo articolo descriverò l’architettura di Azure Machine Learning Service.
Partiamo dallo schema qui sotto, che ci da una visione di tutte le componenti del flusso di lavoro del service.
Il workflow di lavoro di Azure Machine Learning Service è il seguente
- Lo sviluppo di script di training in python
- Creare e configurare il compute target
- Inviare gli script al target configurato. Durante il training, il target immagazzina record in un datastore. Tutti questi record vengono salvati in un experiment.
- Eseguire delle query sull’experiment e nel caso in cui il risultato non sia quello sperato (se le metriche non indicano un risultato corretto) tornare al punto 1.
- Quando si raggiunge un livello di metrica soddisfacente, si può registrare eil modello nel model registry.
- Sviluppare uno script per calcolare il punteggio
- Creare una image e registrarla nell’image registry
- Deploiare l’image come webservice in azure
Ma ora partiamo dal Workspace
WorkSpace
WorkSpace è la risorsa più in evidenza di Azure Machine Learning Service, ci offre infatti un posto di lavoro centralizzato per lavorare con tutti gli artefatti che creiamo attraverso il nostro service.
Al suo interno mantiene una lista di target pche possono essere utilizzati per eseguire il training del nostro modello. Mantiene lo storico di tutti i run delle nostre training, permettendoci di tenere traccia di
- logs
- metriche
- output
- snapshot dei nostri script
Questo per fornirci le informazioni necessarie per capire quale run training ci fornisce il modello migliore.
I Modelli sono registrati nella workspace e assieme agli script di scoring sono usati per creare l’image. La stessa Image può venire deployata in vari container come:
- Azure container
- Azure Kubernetes Service
- Field-programmable gate array
- Rest-base HTTP endpoint (webservice)
Si possono creare multipli workspace, ed ognuno di quelli può essere condiviso con varie persone. Quando vengono condivise, bisogna assegnare i ruoi agli utenti. Questi sono:
- Owner
- Contributor
- Reader
Ogni qualvolta vengono create nuove WorkSpace, vengono chiaramente allocate nuove risorse che vengono utilizzare dalla Workspace:
- Azure Container Registry – Registra i container docker che sono usati durante il training e quando si esegue il deploy di un modello.
- Azure Storage – Usato cone datastore default per il workspace
- Azure Application Insights – Immagazzina le informazioni di monitor dei modelli.
- Azure Key Vault – Immagazzina le informazioni sensibili necessarie al workspace
Nei prossimi articoli vedremo gli altri livelli dell’infrastruttura di Azure Machine Learning Service che sono:
- Model
- Image
- Deployment