使用Workflow实现低代码AI开发-华为云

AI开发平台MODELARTS-开发第一条Workflow:步骤四：发布Workflow至运行态

步骤四：发布Workflow至运行态发布Workflow至运行态完成后需要进行配置，详细参考2。更多发布方式请参考发布Workflow。 Workflow开发完成后，执行如下代码发布Workflow至运行态。日志打印显示发布成功，则可前往ModelArts的Workflow页面中查看新发布的工作流。 workflow.release() 图3 发布成功前往ModelArts控制台去查看新发布的Workflow，进入Workflow详情，单击“配置”进行参数配置。工作流相关的配置执行操作可参考如何使用Workflow。图4 发布工作流

AI开发平台MODELARTS 使用Workflow实现低代码AI开发

AI开发平台MODELARTS-什么是Workflow:开发态-开发工作流

开发态-开发工作流开发者结合实际业务的需求，通过Workflow提供的Python SDK，将ModelArts的能力封装成流水线中的一个个步骤。对于AI开发者来说是非常熟悉的开发模式，而且灵活度极高。Python SDK主要提供以下能力。开发构建：使用python代码灵活编排构建工作流。调测：支持debug以及run两种模式，其中run模式支持节点部分运行、全部运行。发布：支持将调试后的工作流进行固化，发布至运行态，支持配置运行。实验记录：实验的持久化及管理。共享：支持将工作流作为资产发布至AI Gallery，分享给其他用户使用。如何开发一条工作流请您参考入门教程开发第一条Workflow。

AI开发平台MODELARTS 使用Workflow实现低代码AI开发

AI开发平台MODELARTS-什么是Workflow:运行态-运行工作流

运行态-运行工作流 Workflow提供了可视化的工作流运行方式。使用者不需要了解工作流的内部细节，只需要关注一些简单的参数配置即可启动运行工作流。运行态的工作流来源主要为：通过开发态发布或者从gallery订阅。运行态工作流的来源为：通过开发态发布，或者通过订阅。运行态主要提供以下能力。统一配置管理：管理工作流需要配置的参数及使用的资源等。操作工作流：启动、停止、重试、复制、删除工作流。查看运行记录：查看工作流历史运行的参数以及状态记录。

AI开发平台MODELARTS 使用Workflow实现低代码AI开发

AI开发平台MODELARTS-什么是Workflow:Workflow介绍

Workflow介绍 Workflow（也称工作流，下文中均可使用工作流进行描述）本质是开发者基于实际业务场景开发用于部署模型或应用的流水线工具。在机器学习的场景中，流水线可能会覆盖数据标注、数据处理、模型开发/训练、模型评估、应用开发、应用评估等步骤。图2 Workflow 区别于传统的机器学习模型构建，开发者可以使用Workflow开发生产流水线。基于MLOps的概念，Workflow会提供运行记录、监控、持续运行等功能。根据角色的分工与概念，产品上将工作流的开发和持续迭代分开。一条流水线由多个节点组成，Workflow SDK提供了流水线需要覆盖的功能以及功能需要的参数描述。用户在开发流水线的时候，使用SDK对节点以及节点之间串联的关系进行描述。对流水线的开发操作在Workflow中统称为Workflow的开发态。当确定好整条流水线后，开发者可以将流水线固化下来，提供给其他人使用。使用者无需关注流水线中包含什么算法，也不需要关注流水线是如何实现的。使用者只需要关注流水线生产出来的模型或者应用是否符合上线要求，如果不符合，是否需要调整数据和参数重新迭代。这种使用固化下来的流水线的状态，在Workflow中统称为运行态。总的来说，Workflow有两种形态。开发态：使用Workflow的Python SDK开发和调测流水线。运行态：可视化配置运行生产好的流水线。 Workflow基于对当前ModelArts已有能力的编排，基于DevOps原则和实践，应用于AI开发过程中，提升了AI应用开发与落地效率，更快的进行模型实验和开发，并更快的将模型部署到生产环境。工作流的开发态和运行态分别实现了不同的功能。

AI开发平台MODELARTS 使用Workflow实现低代码AI开发

AI开发平台MODELARTS-什么是Workflow:MLOps简介

MLOps简介在介绍Workflow之前，先了解MLOps的概念。 MLOps(Machine Learning Operation)是“机器学习”（Machine Learning）和“DevOps”（Development and Operations）的组合实践。机器学习开发流程主要可以定义为四个步骤：项目设计、数据工程、模型构建、部署落地。AI开发并不是一个单向的流水线作业，在开发的过程中，会根据数据和模型结果进行多轮的实验迭代。算法工程师会根据数据特征以及数据的标签做多样化的数据处理以及多种模型优化，以获得在已有的数据集上更好的模型效果。传统的AI应用交付会直接在实验迭代结束后以输出的模型为终点。当应用上线后，随着时间的推移，会出现模型漂移的问题。新的数据和新的特征在已有的模型上表现会越来越差。在MLOps中，实验迭代的产物将会是一条固化下来的流水线，这条流水线将会包含数据工程、模型算法、训练配置等。用户将会使用这条流水线在持续产生的数据中持续迭代训练，确保这条流水线生产出来的模型的AI应用始终维持在一个较好的状态。图1 MLOps MLOps的整条链路需要有一个工具去承载，MLOps打通了算法开发到交付运维的全流程。和以往的开发交付不同，以往的开发与交付过程是分离的，算法工程师开发完的模型，一般都需要交付给下游系统工程师。MLOps和以往的开发交付不同，在这个过程中，算法工程师参与度还是非常高的。企业内部一般都是有一个交付配合的机制。从项目管理角度上需要增加一个AI项目的工作流程机制管理，流程管理不是一个简单的流水线构建管理，它是一个任务管理体系。这个工具需要具备以下的能力：流程分析：沉淀行业样例流水线，帮助用户能快速进行AI项目的参考设计，启动快速的AI项目流程设计。流程定义与重定义：以流水线作为承载项，用户能快速定义AI项目，实现训练+推理上线的工作流设计。资源分配：支持账号管理机制给流水线中的参与人员（包含开发者和运维人员）分配相应的资源配额与权限，并查看相应的资源使用情况等。时间安排：围绕子流水线配置相应的子任务安排，并加以通知机制，实现流程执行过程之间配合的运转高效管理。流程质量与效率测评：提供流水线的任务执行过程视图，增加不同的检查点，如数据评估、模型评估、性能评估等，让AI项目管理者能很方便的查看流水线执行过程的质量与效率。流程优化：围绕流水线每一次迭代，用户可以自定义输出相关的核心指标，并获取相应的问题数据与原因等，从而基于这些指标，快速决定下一轮迭代的执行优化。

AI开发平台MODELARTS 使用Workflow实现低代码AI开发

云服务器内容精选

使用Workflow实现低代码AI开发

7*24

备案

专业服务

退订

建议反馈

售前咨询热线