MLOps — Pipeline de Ponta a Ponta

Esta demonstração abrange um pipeline completo de MLOps. Vamos mostrar como o Databricks Lakehouse pode ser aproveitado para orquestrar e implantar modelos em produção, garantindo governança, segurança e robustez.

• Ingestão de dados e salvamento em um armazém de recursos
• Construa modelos de ML com o Databricks AutoML
• Configure os ganchos do MLflow para testar automaticamente seus modelos
• Crie o trabalho de teste do modelo
• Mova automaticamente os modelos para produção uma vez que os testes são validados
• Retreine periodicamente seu modelo para prevenir a derivação

Note que esta é uma demonstração bastante avançada. Se você é novo no Databricks e quer aprender sobre ML, recomendamos começar com uma demonstração de ML ou uma das demonstrações do Lakehouse.

Para instalar a demonstração, obtenha uma área de trabalho Databricks gratuita e execute os dois comandos seguintes em um notebook Python.

%pip instale dbdemos

import dbdemos
dbdemos.install('mlops-end2end')

Dbdemos é uma biblioteca Python que instala demonstrações completas do Databricks em seus espaços de trabalho. Dbdemos carregará e iniciará notebooks, pipelines Delta Live Tables, clusters, painéis Databricks SQL, modelos de armazém ... Veja como usar dbdemos

Dbdemos é distribuído como um projeto do GitHub.

Para mais detalhes, por favor, veja o GitHub arquivo README.md e siga a documentação.
Dbdemos é fornecido como está. Veja a Licença e Aviso para mais informações.
Databricks não oferece suporte oficial para dbdemos e os ativos associados.
Para qualquer problema, por favor, abra um ticket e a equipe de demonstração dará uma olhada com base no melhor esforço.