【Azure MLOps - 7】建立CD pipeline:把機器學習模型部署到production area

azure mlops azure machine learning devops azure ci/cd

silviasu 2023-02-02 09:38:30 ‧ 1304 瀏覽

分享至

本次建立的CD pipeline中，會有兩個部分:
(1)模型自動部署到測試環境(staging area) (上篇文章)
(2)模型自動部署到正式環境(production area) (本篇文章)
而這兩個部分中間，並不會連續，中間會插入一個核准的關卡。

因為第一部分幾乎和第二部分一模一樣，所以本篇文章會較為簡短，如果想要詳細了解，必須回去閱讀上一篇!
CD pipeline文章:
【Azure MLOps - 6】建立CD pipeline:把機器學習模型部署到staging area

本篇文章結構:

概念說明
建立agent的任務
設定核准關卡
試跑第二部分CD pipeline

CI pipeline文章:
【Azure MLOps - 1】使用Azure DevOps建立AML pipelines
【Azure MLOps - 2】使用Azure DevOps建立專案與連線設定
 【Azure MLOps - 3】使用Azure DevOps建立訓練模型的CI pipeline(上)
【Azure MLOps - 4】使用Azure DevOps建立訓練模型的CI pipeline(下)
【Azure MLOps - 5】執行Azure DevOps CI pipeline

1. 概念說明

「部署到正式環境」agent執行的任務，都和前一篇「部署到測試環境」的任務幾乎一樣，差別在於部署到AKS，而不是ACI (Azure compute instance)。不過因為我這次練習時候，使用的是Azure試用帳戶，不能建立AKS，所以這裡只能示範建立自動部署到AKS的pipeline，執行的時候會報錯。

2.建立agent的任務

2-1 建立新的stage與設定agent

回到上一篇CD pipeline的畫面，點選Add:

一樣點選empty job之後，改名稱:Deploy to Prod

和之前一樣設定好agent，如果不知道這是什麼意思的，可以參閱這個系列的前幾篇文章，有詳細解說:

2-2 agent任務:安裝az ml extension

由於後續會在agent裡面測試「部署到正式環境的api是否可以呼叫並預測」，而測試使用的程式碼是prod_test.py (位在【pipeline published artifact區域】)如下圖，所以我們需要指定agent python版本。

點擊agent旁邊的+，搜尋python，加入use python任務，指定python版本:

與CI pipeline & 第一部分CD pipeline相同，需要再agent安裝az ml extension，才有辦法使用指令使用Azure Machine Learning各種功能。所以點擊agent旁邊的+，搜尋Azure CLI，加入任務:

az extension add -n azure-cli-ml

2-3 agent任務:在AML新增Azure Kubernetes Service (AKS)

接下來我們希望模型部署到container上，下一個任務新增Azure Kubernetes Service (AKS)。
因為要使用az ml cli指令新增AKS compute，點擊agent旁邊的+，搜尋Azure CLI，加入任務，命名為:Create AKS。AKS和ACI不同，多了這個任務。

使用az ml computetarget create aks指令建立AKS，inline script填入:

az ml computetarget create aks -g $(azureml.resourceGroup) -w $(azureml.workspaceName) -n $(aks.clusterName) -s $(aks.vmSize) -a $(aks.agentCount)

詳細的參數設定可參閱官方文件，在Azure Machine Learning compute中使用UI頁面建立AKS compute所需要選擇的設定參數，在指令中也會需要相同的參數。

接下來設定$()名稱變數的Name & value:

aks.clusterName aks
aks.vmSize Standard_B4ms (機器規格)
aks.agentCount 3
Service.name.prod  insurance-service-aks (service名稱，下一步驟會用到)

2-4 agent任務:部署模型到Azure Kubernetes Service (AKS)

接下來我們希望模型部署AKS上，下一個任務把模型部署到剛剛創立的Azure Kubernetes Service (AKS)。
因為要使用az ml cli指令部署模型，點擊agent旁邊的+，搜尋Azure CLI，加入任務，命名為Deploy to AKS:
內容就跟上一篇幾乎一樣~

使用指令:az ml model deploy進行部署，指令的詳細參數可參閱官方說明:

az ml model deploy -g $(azureml.resourceGroup) -w $(azureml.workspaceName) -n $(service.name.prod) -f ../metadata/model.json --dc aksDeploymentConfigProd.yml --ic inferenceConfig.yml --ct $(aks.clusterName) --overwrite

提醒大家使用Azure Machine Learning部署，需要以下兩個要素，
(1)model
(2)Inferencing and deployment configuration (Compute target+Environment+Scoring scripts)

model很簡單理解，就是model.pkl，我們也已經複製到【pipeline published artifact區域】。
而另外一個要素，「Inferencing and deployment configuration」又由3個元素組成:
(1)Compute target
(2)Environment
(3)Scoring scripts
也就是模型在部署和推斷(預測)的時候需要的configuration，稍微說明:
(1)compute target就是模型吃的運算資源，所以staging area就會是ACI，production area就會是AKS，所以用Azure CLI指令進行模型部署的時候，會需要進行AKS configuration。也就是上面指令的參數--dc所指定的檔案: aksDeploymentConfigProd.yml

(2)Environment則是機器學習模型「在預測的時候」會需要什麼環境，例如模型需要sklean，python3.7。也就是上面指令的--ic參數:inferenceConfig.yml

(3)scoring.py就是產出預測結果的程式，裡面有兩個功能，一個是把model load 到ACI的功能init function，另一個是進行預測的run function:

這些檔案位在【pipeline published artifact區域】中:

所以需要指定工作目錄，下拉選單/_MLOps-WorkShop-1-CI/landing/s/deployment:

2-5 agent任務:測試endpoint

接下來的步驟也和上一篇部署到測試區的任務一樣。
如果正式啟動pipeline，agent執行完2-4 agent任務後，會在Azure Machine Learning的endpoint產生一個叫做insurance-service-aks的web service，點進去之後會有一個endpoint url。(上一篇有示意圖在2-4步驟)

以往資料科學家會手動測試endpoint url是否能正確被呼叫，並且回吐預測結果，確保endpoint部署成功，在pipeline中也會需要這個測試任務，建立一個agent任務代替手動執行。

測試endpoit的程式碼: prod_test.py 一樣位在【pipeline published artifact區域】，測試程式檔中，會執行「傳入特徵值(json格式)給endpoint」:

要在agent當中執行prod_test.py，就需要先把程式當中需要的套件安裝好，所以一樣會需要在agent執行安裝指令(與CI pipeline一樣，可以回去複習)。增加一個bash task，執行install_requirements.sh:
(install_requirements.sh在_MLOps-WorkShop-1-CI/landing/s/package_requirement/)

接下來新增一個Azure CLI任務，取名為「Prod Test」，執行pytest，pytest解釋詳見之前在建立CI pipeline的解說:

在inline script當中輸入:

pytest prod_test.py --doctest-modules --junitxml=junit/test-results.xml --cov=integration --cov-report=xml --cov-report=html --scoreurl $(az ml service show -g $(azureml.resourceGroup) -w $(azureml.workspaceName) -n $(service.name.prod) --query scoringUri -o tsv) --scorekey $(az ml service get-keys -g $(azureml.resourceGroup) -w $(azureml.workspaceName) -n $(service.name.prod) --query primarykey -o tsv)

說明一下，agent要測試的endpoint url需要由--scoreurl參數帶入，az ml service show指令可以吐出部署的service detail，但我們只需要url資訊，所以az ml service show後面會有--query scoringUri參數。
其他細節請查閱官方文件。

prod_test.py檔案位在【pipeline published artifact區域】/_MLOps-WorkShop-1-CI/landing/s/tests/integration，所以往下捲動，設定工作目錄:

2-6 agent任務:發布endpoint測試結果

前一步驟使用pytest測試，並產出report，新增一個任務把這些報告發布到Azure DevOps中。搜尋publish result，add後修改名稱Publish Prod Test Results。前一個步驟有設定pytest報告的檔名都叫做test-，所以Test results files填入:**/test-*.xml

CD pipeline的第二部分:模型自動部署到測試環境(Prod area)，也完成囉~

3. 設定核准關卡

觸發CD pipeline的第二部分:模型自動部署到正式環境(production area)的條件是被「核准」，情境假設是開發團隊想要觀察模型表現一陣子，確認新模型的預測結果是否比舊版模型好，才會上到正式環境。

回到pipeline主頁，點選閃電，select trigger，選擇after stage。還有其他的選項，像是Manual only好像也可以，不過我們這裡選擇after stage，stage選擇Pre-deployment approvals，意思就是在前一個staging area deployment結束後，需被核准後才觸發。

開啟Pre-deployment approvals，選擇核准對象(很可能是你們的部門主管或團隊leader)，還有其他更精細的條件比方說超過幾天等待核准都沒有回音，就會失效。核准者我先填入自己的e-mail，到時候整條pipeline運作的時候，前一個staging area deployment結束後，我會收到一封信請我核准pord area deployment: