0Pricing
MLOps Academy · บทเรียน

การส่งมอบแบบค่อยเป็นค่อยไปด้วย Argo Rollouts

ทำให้การเลื่อนระยะและการวิเคราะห์เป็นอัตโนมัติ

การส่งมอบแบบค่อยเป็นค่อยไปด้วย Argo Rollouts เป็นบทเรียน MLOps Academy ฟรีบน CoddyKit นี่คือบทเรียนที่ 4 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน MLOps Academy และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส MLOps Academy มีบทเรียนทั้งหมด 4 บทเรียน

การส่งมอบแบบค่อยเป็นค่อยไปคืออะไร

การส่งมอบแบบค่อยเป็นค่อยไปหมายถึงการปล่อยโมเดลใหม่เป็นขั้นตอนที่ควบคุมได้ พร้อมตรวจสอบในแต่ละช่วง แทนการเปลี่ยนให้ทุกคนใช้ในครั้งเดียวอย่างเสี่ยงเกินไป 🚦

รู้จัก Argo Rollouts

Argo Rollouts เป็นตัวควบคุมของ Kubernetes ที่มาแทนที่ Deployment แบบทั่วไป ทำให้คุณเรียกใช้การปล่อยแบบคานารีและแบบเขียว-น้ำเงินภายในคลัสเตอร์ได้โดยตรง

ทรัพยากร Rollout

คุณแทนที่ Deployment ด้วยออบเจ็กต์ Rollout ซึ่งมีรูปแบบคุ้นเคย แต่เพิ่มบล็อกกลยุทธ์ที่อธิบายว่าพ็อดใหม่จะเข้ารับปริมาณการใช้งานอย่างไร

apiVersion: argoproj.io/v1alpha1
kind: Rollout
metadata:
  name: model-api

กำหนดขั้นตอนคานารี

ภายในกลยุทธ์คานารี คุณจะระบุขั้นตอนต่าง ๆ ได้แก่ กำหนดสัดส่วนปริมาณการใช้งาน แล้วหยุดพัก Argo จะดำเนินการตามลำดับและค่อย ๆ เปลี่ยนผู้ใช้ไปยังรุ่นใหม่

strategy:
  canary:
    steps:
      - setWeight: 20
      - pause: {duration: 5m}
      - setWeight: 50
      - pause: {}

หยุดพักเพื่อรอการอนุมัติ

การหยุดพักแบบไม่มีค่าใด ๆ จะหยุดการปล่อยไว้จนกว่าคุณจะอนุมัติด้วยตนเอง ส่วนการหยุดพักแบบกำหนดเวลาจะรอตามระยะเวลาที่ตั้งไว้ แล้วดำเนินการต่อเอง

วิเคราะห์ในแต่ละขั้นตอน

AnalysisTemplate จะสอบถามตัวชี้วัด เช่น อัตราข้อผิดพลาดจาก Prometheus และบอก Argo ว่าคานารีในขั้นตอนนี้มีสุขภาพดีหรือไม่

ย้อนกลับโดยอัตโนมัติ

หากการวิเคราะห์ไม่ผ่านเงื่อนไขความสำเร็จ Argo จะยกเลิกการปล่อยและเปลี่ยนปริมาณการใช้งานทั้งหมดกลับไปยังรุ่นเสถียรโดยไม่ต้องมีมนุษย์ดำเนินการ

เชื่อมต่อเราเตอร์จัดการปริมาณการใช้งาน

สำหรับสัดส่วนที่แม่นยำ Argo จะควบคุมผู้ให้บริการจัดการปริมาณการใช้งาน เช่น Istio หรือ NGINX หากไม่มีระบบดังกล่าว สัดส่วนจะถูกประมาณจากจำนวนพ็อดแทน

แบบเขียว-น้ำเงินก็รองรับ

Argo รองรับแบบเขียว-น้ำเงินด้วย โดยจะสร้างรุ่นใหม่ให้ครบถ้วน เปิดให้ทดสอบผ่านบริการดูตัวอย่าง แล้วจึงเปลี่ยนปริมาณการใช้งานทั้งหมดในครั้งเดียว

เลื่อนขั้นหรือยกเลิก

คุณควบคุมการปล่อยที่หยุดพักไว้ด้วย CLI: promote จะเลื่อนไปยังขั้นตอนถัดไป ส่วนการยกเลิกจะหยุดกระบวนการและนำทุกอย่างกลับสู่สถานะเสถียร

kubectl argo rollouts promote model-api
kubectl argo rollouts abort model-api

ดูการทำงานแบบสด

คำสั่ง get rollout แสดงแต่ละขั้นตอน สัดส่วนปัจจุบัน และผลการวิเคราะห์ ทำให้คุณติดตามการเลื่อนขั้นได้แบบเรียลไทม์

kubectl argo rollouts get rollout model-api --watch

ตรวจสอบอย่างรวดเร็ว

Argo Rollouts ตอบสนองต่อคานารีที่ล้มเหลวอย่างไร

สรุป

Argo Rollouts เปลี่ยน Deployment ให้เป็นการปล่อยแบบคานารีหรือเขียว-น้ำเงินที่แบ่งเป็นขั้นตอน วิเคราะห์ตัวชี้วัดในแต่ละขั้น และยกเลิกกลับสู่รุ่นเสถียรโดยอัตโนมัติเมื่อเกิดความล้มเหลว ✅

คำถามที่พบบ่อย

บทเรียน “การส่งมอบแบบค่อยเป็นค่อยไปด้วย Argo Rollouts” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “การส่งมอบแบบค่อยเป็นค่อยไปด้วย Argo Rollouts” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส MLOps Academy ให้อัปเกรดเป็น CoddyKit PRO คอร์ส MLOps Academy มีบทเรียนทั้งหมด 4 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “การส่งมอบแบบค่อยเป็นค่อยไปด้วย Argo Rollouts”

ทำให้การเลื่อนระยะและการวิเคราะห์เป็นอัตโนมัติ คุณปฏิบัติ MLOps Academy ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน

คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน MLOps Academy หรือไม่

ไม่จำเป็นต้องมีประสบการณ์มาก่อน MLOps Academy บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 4 จากทั้งหมด 4 บทเรียน

บทเรียน “การส่งมอบแบบค่อยเป็นค่อยไปด้วย Argo Rollouts” ใช้เวลานานแค่ไหน

บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย

ฉันเขียนและรันโค้ดในบทเรียน MLOps Academy นี้ได้ไหม

ได้ บทเรียน MLOps Academy ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ

บทเรียนทั้งหมดในหลักสูตรนี้

  1. การทยอยปล่อยแบบ Canary: ส่งให้ผู้ใช้บางส่วนก่อน
  2. จำลองทราฟฟิกโดยไม่กระทบผู้ใช้
  3. กำหนดเกณฑ์การย้อนกลับอัตโนมัติ
  4. การส่งมอบแบบค่อยเป็นค่อยไปด้วย Argo Rollouts
← กลับไปที่ MLOps Academy