Tiếp theoHướng dẫn tiếp theo
Xử lý PII trong các quy trình đào tạo ML
kỹ thuật
HƯỚNG DẪN KỸ THUẬT
Hành động GitHub tự động hóa quy trình công việc của kho lưu trữ như kiểm tra, kiểm tra dữ liệu, đánh giá mô hình và các bước phát hành để phản hồi các sự kiện.
Nghe hướng dẫn nàyAI thuật lại · ~3 min
Quy trình ML được hưởng lợi từ các công việc được dàn dựng và các cổng quảng bá rõ ràng, trong khi phần cứng đào tạo, quyền truy cập dữ liệu, bí mật và lưu giữ tạo tác cần được cấu hình có chủ ý.
GitHub Actions workflows are YAML definitions that specify triggers, jobs, runners and steps. They can run on pushes, pull requests, schedules or manual dispatch. Jobs execute on runners and can depend on earlier jobs, enabling a pipeline such as code checks, data validation, training, evaluation and gated publication. ML teams should separate fast deterministic checks from expensive or hardware-specific stages so that everyday code review remains responsive. A typical pull-request job can install dependencies, run unit tests and validate feature schemas on a small fixture. A later job may train on a controlled dataset, produce a model artifact and generate an evaluation report. Promotion should depend on explicit criteria and preserve the exact artifact digest evaluated. GPU training may require a self-hosted or specialized runner, which introduces capacity, patching and isolation responsibilities. A container can make software dependencies consistent but does not provide the hardware or data access automatically. Workflows often use caches to reduce dependency installation and artifacts to pass outputs between jobs or retain reports. Caches should not be treated as trusted artifacts, and their keys should include relevant dependency inputs. Secrets should be scoped narrowly; pull requests from forks may have restricted secret access. Where supported, OIDC can exchange workflow identity for short-lived cloud credentials, reducing reliance on long-lived keys. Limit token permissions and pin third-party actions to reviewed versions or immutable references according to organizational policy. A reliable ML workflow records code commit, environment, data version, training configuration and model digest. Data licensing, privacy and cost controls also matter when jobs download or train on datasets. Avoid automatically publishing every trained model; require validation and approval where risk warrants. Workflow logs and artifacts need retention settings that balance auditability, cost and sensitive data exposure. Actions provide orchestration, not a guarantee that training is reproducible, validation is sound or a release is safe. Those properties depend on the pipeline's inputs and gates.
Quy trình làm việc theo yêu cầu kéo chạy các bài kiểm tra đơn vị nhanh, tìm lỗi mã nguồn và kiểm tra sơ đồ dữ liệu nhỏ trước khi cho phép hợp nhất, đồng thời để lại chương trình đào tạo GPU đầy đủ cho một người chạy riêng biệt hoặc công việc theo lịch trình.
Quy trình đào tạo ghi lại cam kết nguồn, tệp khóa phụ thuộc và thông báo cấu phần phần mềm mô hình, sau đó tải lên các chỉ số đánh giá và cấu phần phần mềm ứng viên để xem xét.
Công việc phát hành phụ thuộc vào việc đánh giá thành công và yêu cầu phê duyệt môi trường được ủy quyền trước khi xuất bản mô hình lên cơ quan đăng ký.
Một nhóm sử dụng thông tin xác thực đám mây tồn tại trong thời gian ngắn thông qua OIDC được hỗ trợ thay vì lưu trữ khóa đám mây tồn tại lâu dài dưới dạng bí mật kho lưu trữ.
Các nhóm ML có thể phát triển CI thành một lộ trình phát hành có thể theo dõi bằng cách xuất bản các báo cáo đánh giá và thông báo tóm tắt về các công việc được kiểm soát, sau đó chỉ thăng chức cho ứng viên đã vượt qua. Tách hoạt động kiểm tra CPU khỏi khối lượng công việc GPU và quản lý dung lượng chạy cũng như bản vá. Sử dụng các quyền có đặc quyền tối thiểu, môi trường được bảo vệ và thông tin xác thực ngắn hạn nếu được hỗ trợ. Định kỳ xem xét các phần phụ thuộc của hành động, hành vi của bộ nhớ đệm và khả năng lưu giữ thành phần lạ. Một quy trình làm việc được thiết kế tốt sẽ cải thiện tính nhất quán, trong khi đánh giá thống kê và quản trị mô hình có trách nhiệm vẫn là trách nhiệm của con người và quy trình. Các nhóm có thể sử dụng các báo cáo được lưu giữ trong quá trình đánh giá sự cố và so sánh các lần chạy của ứng viên theo thời gian.
Bản tin miễn phí
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Hành động GitHub tự động hóa quy trình công việc của kho lưu trữ như kiểm tra, kiểm tra dữ liệu, đánh giá mô hình và các bước phát hành để phản hồi các sự kiện. Quy trình ML được hưởng lợi từ các công việc được dàn dựng và các cổng quảng bá rõ ràng, trong khi phần cứng đào tạo, quyền truy cập dữ liệu, bí mật và lưu giữ tạo tác cần được cấu hình có chủ ý.
Quy trình làm việc YAML phối hợp các trình kích hoạt sự kiện cũng như các công việc và bước chạy trên các trình chạy đã định cấu hình.
Các giai đoạn khác nhau có chi phí và nhu cầu phần cứng khác nhau, do đó việc tách biệt sẽ cải thiện khả năng đáp ứng và sử dụng tài nguyên.
Một bản tóm tắt bất biến giúp xác minh rằng mô hình đã triển khai chính xác là tạo phẩm đã vượt qua đánh giá.
Việc thực thi mã không đáng tin cậy trong một công việc có thể lấy cắp hoặc sử dụng sai thông tin xác thực có sẵn cho công việc đó.
Liên kết OIDC có thể trao đổi danh tính quy trình làm việc đáng tin cậy để lấy thông tin xác thực tạm thời trên đám mây.
Tiếp tục học hỏi
Đã chọn thêm hướng dẫn cho chủ đề này
Tiếp theoHướng dẫn tiếp theo
Xử lý PII trong các quy trình đào tạo ML
kỹ thuật