O que CI/CD significa para modelos

CI/CD significa automatizar as etapas entre escrever o código e disponibilizá-lo, para que uma máquina verifique e implante seu trabalho em vez de você fazer isso manualmente. 🚀

A integração contínua executa seus testes automaticamente sempre que você envia código, detectando problemas cedo, em vez de só dias depois, quando é mais difícil corrigi-los.

A entrega contínua pega o código aprovado pela CI e o prepara ou envia automaticamente para produção, para que as versões deixem de ser eventos manuais assustadores.

A CI/CD clássica envia código. Os pipelines de ML também enviam um modelo treinado e os dados com os quais ele aprendeu. Agora, portanto, você precisa acompanhar três elementos móveis, não apenas um.

Os testes do aplicativo verificam a lógica. A CI de ML também verifica a qualidade do modelo, perguntando se a precisão se manteve, e não apenas se o código foi executado sem falhar.

A compilação do código leva segundos. O treinamento de um modelo pode levar minutos ou horas. Por isso, os pipelines de ML costumam treinar com uma pequena amostra na CI e usar todos os dados apenas na versão.

Para reconstruir qualquer modelo exatamente, você precisa fixar o código, a versão dos dados e o ambiente. A CI/CD para ML automatiza a fixação dos três.

Na CI/CD de aplicativos, a saída é um binário. Em ML, o principal artefato é o arquivo do modelo treinado, que você versiona, armazena e implanta posteriormente.

Um pipeline de ML encadeia etapas claras: verificar o estilo do código, executar os testes, treinar, avaliar e só então criar a imagem que pode ser implantada.

Um gatilho decide quando um pipeline será executado, por exemplo, a cada envio, a cada solicitação de pull ou em uma versão marcada. Você configura essas regras uma vez e nunca mais precisa clicar.

Sem CI/CD, um modelo só entra em produção quando alguém se lembra de executar os scripts. Com ela, toda alteração é testada e enviada da mesma maneira segura todas as vezes.

A CI testa cada alteração, a CD a envia e, no caso de ML, você acrescenta o modelo e os dados dele como artefatos acompanhados. Gatilhos e pipelines organizados em etapas tornam as versões seguras e repetíveis.