Conteúdo MLOPS

Atualização do Material de MLOps para o ano 2025.

Python version: 3.10.

Preparação do ambiente

Este projeto foi preparado para ser executado em Python 3.10.

O ambiente pode ser criado com o gerenciador de sua preferência.

Via conda environment manager

Após ter o conda instalado, execute:

conda env create -f environment.yml

Para verificar os ambientes criados e disponíveis:

conda env list

Documentação de referência: https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-environments.html

Via outros gerenciadores de ambiente

Após ter a versão do Python devidamente instalada, execute:

pip install -r requirements.txt

Dependências Azure Machine Learning

Se o você for integrar cin a área de trabalho Azure Macbine Learning, instale também as dependências da Azure:

pip install -r requirements_azure.txt

Estrutura de Arquivos e Pastas

Este projeto contém os seguintes arquivos e pastas, cada um com uma funcionalidade específica:

---

Pastas

Log/

• Diretório para armazenar os logs gerados durante a execução dos scripts ou containers.
• Útil para depuração e monitoramento de erros.

azurefunctions/

• Contém implementações relacionadas a funções no Microsoft Azure.
• Inclui código para integração de funcionalidades serverless na nuvem.

config/

• Contém arquivos de configuração usados para personalizar o comportamento dos scripts e serviços.
• Exemplos: Configurações de rede, parâmetros de execução, etc.

datasets/

• Diretório para armazenar datasets usados para treinar e avaliar os modelos.
• Ideal para organizar arquivos de entrada do pipeline de machine learning.

dockerbuilds/

• Contém arquivos necessários para construir imagens Docker personalizadas.
• Inclui scripts e Dockerfiles usados no processo de deploy.

models/

• Diretório para armazenar modelos de machine learning treinados.
• Exemplos: Arquivos .joblib, .pkl, ou outros formatos.

---

Arquivos

README.md

• Este arquivo, que contém a documentação do projeto.

environment.yml

• Arquivo de configuração para gerenciar dependências no Conda.
• Permite recriar o ambiente de execução.

geraconfig.sh

• Script para gerar arquivos de configuração automaticamente.
• Facilita o processo de configuração inicial, quando necessário recriar alguma configuração.

modelmanager.py

• Script principal para execução em contêiner de gerenciamento de modelos.

requirements.txt

• Lista de dependências do projeto para instalação via pip.
• Deve ser usado para configurar o ambiente Python.

requirements_azure.txt

• Dependências específicas para execução no ambiente Azure.
• Contém pacotes necessários para integração com serviços da nuvem.

servingmodel.py

• Script principal para execução em contêiner de inferência de modelos.
• Normalmente, os projetos possuem scripts de execução específicos, mas neste caso o serving está simplificado em um único script.

train_model.py

• Script para treinar modelos de machine learning.
• Como o repositório já possui modelos, este script é usado apenas para recalibragem dos coeficientes.
• Inclui passos como pré-processamento, treinamento e salvamento/exportação do modelo.