GitHub ML 管道的操作

GitHub 操作工作流程是指定觸發器、作業、執行程序和步驟的 YAML 定義。它們可以按推播、拉取請求、計劃或手動調度運行。作業在運行器上執行，並且可以依賴早期作業，從而啟用程式碼檢查、資料驗證、培訓、評估和門控發布等管道。機器學習團隊應該將快速確定性檢查與昂貴或特定於硬體的階段分開，以便日常程式碼審查保持回應。典型的拉取請求作業可以在小型裝置上安裝相依性、執行單元測試並驗證功能架構。後續作業可能會在受控資料集上進行訓練，產生模型工件並產生評估報告。升級應取決於明確的標準並保留評估的準確工件摘要。 GPU 訓練可能需要自架或專門的運行器，這會引入容量、修補和隔離責任。容器可以使軟體依賴關係保持一致，但不會自動提供硬體或資料存取。工作流程通常使用快取來減少相依性安裝，並使用工件在作業之間傳遞輸出或保留報表。快取不應被視為可信任工件，它們的金鑰應包含相關的依賴項輸入。秘密的範圍應狹窄；來自分叉的拉取請求可能具有受限的秘密存取權。在支援的情況下，OIDC 可以將工作流程身分交換為短期雲端憑證，從而減少對長期金鑰的依賴。根據組織策略限制令牌權限並將第三方操作固定到已審核的版本或不可變參考。可靠的機器學習工作流程會記錄程式碼提交、環境、資料版本、訓練配置和模型摘要。當作業下載或在資料集上進行訓練時，資料許可、隱私和成本控制也很重要。避免自動發布每個經過訓練的模型；在風險允許的情況下需要驗證和批准。工作流程日誌和工件需要保留設定來平衡可審核性、成本和敏感資料暴露。操作提供編排，但不能保證培訓可重複、驗證合理或發布安全。這些屬性取決於管道的輸入和閘。