11、机器学习模型的持续交付与自动化探索

机器学习模型的持续交付与自动化探索

在机器学习领域，模型的持续交付和自动化是确保模型高效、可靠部署到生产环境的关键环节。下面将详细介绍相关的技术和策略。

1. SageMaker 管道

SageMaker 管道包含了数据准备、训练、评估和模型注册等步骤。其主要目标是注册模型，以便在打包后进行实时推理。并非所有步骤都必须包含在特定管道中，还可以创建其他管道，在有新注册模型时运行，提高组件的可重用性和自动化程度，这也是 DevOps 在 MLOps 中的重要体现。

2. 模型的受控部署策略

在将模型部署到生产环境时，有两种有效的策略：蓝绿部署和金丝雀部署。
| 部署策略 | 描述 | 优点 | 缺点 |
| — | — | — | — |
| 蓝绿部署 | 将新版本部署到与生产环境相同的暂存环境，通过不同的流量路由进行测试，验证通过后切换流量 | 可以在不影响生产的情况下进行全面测试 | 复制生产环境可能较为复杂 |
| 金丝雀部署 | 逐步将流量路由到新版本，同时旧版本继续提供预测，根据指标和检查实时发现问题并回滚 | 可以实时监控新版本的性能，降低风险 | 过程较为复杂，需要密切监控 |

以下是使用 Azure Python SDK 进行金丝雀部署的示例代码：

from azureml.core.webservice import AksEndpoint
endpoint.create_version(version_name = "2",
                       inference_confi