本系列最後一篇文章!
在前面建立了一條CI pipeline和一條CD pipeline:
(1) CI pipeline流程，負責上傳、註冊訓練資料到Azure Machine Learning data assets；在Azure Machine Learning訓練模型、註冊模型
(2) CD pipeline流程，負責藉由Azure Machine Learning服務把模型部署到測試環境(Azure compute instance,ACI)與正式環境(AKS)，產出endpoint web service (API)

在第一篇文章有提到MLOPS精神為
(1)【程式碼、模型、資料】版本控管
(2) 訓練模型/模型部署自動化

實現MLOPS的流程和方法有許多種方式，也有分等級；也會因為專案執行方式不同，有各種不同pipeline建立方式。本篇就來測試一次整個情境吧!

1. 資料科學家產出了一版新的訓練程式碼，想要訓練出模型後部署到測試環境，使用git push把新的版本程式碼推送到Azure DevOps

在IDE上進行修改演算法，新版演算法修改完成。利用git進行版控，點選git:

輸入commit message後(我這裡是填入my commit，最好寫一個自己看得懂的)，點選commit:

push到Azure DevOps Repo:

Azure DevOps Repo更新了:

2.Azure DevOps Repo更新了訓練模型(添加了commit)，會自動開始進行CI pipeline流程

點選pipeline，可以看到CI pipeline【MLOps-WorkShop-1-CI】正在運作(藍色轉圈圈):

執行步驟檢視:

3.CI pipeline執行上傳訓練資料至Azure Machine Learning data assets、在Azure Machine Learning訓練模型、註冊模型

Azure Machine Learning workspace上，點選job可以看到本次執行的實驗:

Azure Machine Learning workspace上，點選左欄Models可以看到本次執行被註冊的模型，如下圖示範已經到version 5，這就是模型的版本控管了:

4.產出模型後，會自動開始進行CD pipeline流程

CI pipeline完成後，自動進行CD pipeline第一部份:部署到測試環境

CD pipeline第二部份:部署到正式環境，等待核准:
(備註:上一篇有說明，因為試用帳戶限制，所以先部署到ACI)

核准者收到核准信，點選view approval:

點選核准後:

執行CD pipeline【第二部份:部署到正式環境】:

最後，我們就可以在Azure Machine Learning workspace endpoint上，看到新版的web service endpoint更新成新版的了 (箭頭處可以看到這個api endpoint更新時間):

一旦建立好CI/CD流程，資料科學家push新版本的訓練程式碼到Azure DevOps Repo，所有步驟會自己完成，管理模型真的好輕鬆!

【心得發表】

最後感謝大家的收看我的練習筆記，教學內容是來自MG老師的示範影片。

這個筆記原本是只想要公開給我的同事們，但是後來想想，決定公開到網路上，可以讓更多人一起學習，然後又可以讓更多高手分享MLOPS作法，大家又可以從中獲得更多。
所以如果有任何前輩，發現系列文中有錯誤的地方，歡迎討論指正。

感謝大家!下次再見~
前幾篇文章參考:
【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
【Azure MLOps - 6】建立CD pipeline:把機器學習模型部署到staging area
【Azure MLOps - 7】建立CD pipeline:把機器學習模型部署到production area