22、自动化机器学习部署与持续训练全流程解析

自动化机器学习部署与持续训练全流程解析

1. 完成CDK应用部署

在完成CDK应用的最终修改后，需要进行提交和推送操作，具体命令如下：

$ git commit -m "Finalized CDK application"
$ git push

之后，为了重新部署更新后的CDK应用，需运行以下命令：

$ cdk deploy

至此，我们已经将基于机器学习的应用进行了代码化。但接下来，还需要监控自动化流程，确保所创建的应用成功部署到生产环境，并满足业务用例的功能要求。

2. 聚焦MLSDLC流程

在前期，我们主要关注了参与解决方案规划、设计和代码化的人员。而实际上，影响机器学习软件开发生命周期（MLSDLC）实施成功的因素还有技术和流程。现在，我们将重点放在MLSDLC流程本身。由于已经使用自变异的CDK Pipeline对流程进行了代码化，接下来只需管理部署直至完成。

目前，我们已经完成了MLSDLC流程的规划和设计阶段。作为跨职能团队，我们审核了ACME Web应用的业务目标和需求，并使用CDK让各个团队将他们对应用设计的贡献进行了代码化。设计部署完成后，我们可以进入自动化MLSDLC流程的下一阶段——构建阶段。

3. 构建阶段回顾

要回顾构建过程，可按以下步骤操作：
1. 打开当前AWS区域的CodePipeline管理控制台（https://console.aws.am