用于 MLOps 的机器学习注册表
在本文中，你将了解如何跨开发、测试和生产环境缩放 MLOps。 环境数量可能因 IT 环境的复杂性而异，并受以下因素的影响：
- 安全性与合规性策略 - 生产环境是否需要在访问控制、网络体系结构、数据公开等方面与开发环境隔离？
- 订阅 - 开发环境与生产环境位于不同的订阅中吗？ 通常单独的订阅用于计费、预算和成本管理目的。
- 区域 - 是否需要部署到其他 Azure 区域以支持延迟和冗余要求？
在这种情况下，可以使用不同的 Azure 机器学习工作区进行开发、测试和生产。 此配置对模型训练和部署提出了以下挑战：
- 需要在开发工作区中训练模型，但要将其部署到生产工作区中的终结点，该终结点可能位于不同的 Azure 订阅或区域中。 在本例中，必须能够跟踪训练作业。 例如，如果在生产部署过程中遇到准确性或性能问题，则分析用于训练模型的指标、日志、代码、环境和数据。
- 需要在开发工作区中使用测试数据或匿名数据开发训练管道，但在生产工作区中使用生产数据重新训练模型。 在本例中，可能需要比较样本数据与生产数据的训练指标，以确保训练优化在实际数据中表现良好。
具有注册表的跨工作区 MLOps
注册表与 Git 存储库非常相似，它将 ML 资产与工作区分离，并将它们托管在一个中心位置，从而使其可用于组织中的所有工作区。
如果想要跨开发、测试和生产环境提升模型，请从在开发环境中迭代开发模型开始。 如果你有一个好的候选模型，可以将其发布到注册表。 然后，可以将模型从注册表部署到不同工作区中的终结点。
提示
如果已在工作区中注册了模型，则可以将其提升到注册表。 还可以根据训练作业的输出直接在注册表中注册模型。
如果想要在一个工作区中开发管道然后在其他工作区中运行该管道，请首先注册构成管道基本内容的组件和环境。 提交管道作业时，它运行的工作区由计算和训练数据选择，这些数据对每个工作区都是唯一的。
下图说明了探索和开发工作区之间的管道提升，然后是开发、测试和生产之间的模型提升。
