8
Etapa 8 de 8
Retreinamento
O ciclo se completa com retreinamento automatizado. Quando drift é detectado, novos rótulos chegam ou em cadência fixa (semanal/mensal), um pipeline dispara: extrai dados recentes, treina, valida, registra nova versão e (após aprovação) promove para produção.
Serviços Azure envolvidos
Azure ML Pipelines
Pipelines reutilizáveis e parametrizados para retraining end-to-end.
Azure DevOps / GitHub Actions
Triggers via cron, webhook ou eventos de drift.
Event Grid
Disparo orientado a eventos (novo dataset, alerta de drift).
Pontos-chave
- › Defina critérios objetivos para promoção: nova versão > baseline em métrica X.
- › Mantenha shadow deploys para validar candidatos contra produção.
- › Documente cada retreino: motivo, dados, métricas, decisão.
Melhores práticas
- ★ Champion-challenger: novo modelo precisa vencer o atual de forma estatisticamente significativa.
- ★ Automatize rollback se métricas em produção piorarem após promoção.
- ★ Trate o pipeline de retreino como código de produção (testes, revisão).