Recursos & Referências
Documentação oficial da Microsoft e vídeos selecionados do canal @MicrosoftAzure no YouTube para aprofundar cada etapa do MLOps no Azure.
Documentação Microsoft
Documentação oficial do Azure ML.
Conceitos de gestão e deploy de modelos.
Whitepaper técnico de MLOps.
Plataforma Spark gerenciada.
Orquestração de dados.
Data warehouse moderno.
Orquestração de containers.
Observabilidade end-to-end.
Governança e linhagem de dados.
CI/CD e gestão de projetos.
Tracking aberto integrado.
Trilha de aprendizado oficial.
Vídeos — YouTube @MicrosoftAzure
Canal principal com novidades, demos e arquiteturas.
Buscas e vídeos sobre Azure ML no canal.
Sessões e demos focadas em MLOps.
Série semanal com profundidade técnica.
Episódios sobre serviços de AI/ML.
Ferramentas para MLOps + Azure
Stack mínima para começar e stack recomendada para extrair o máximo das capacidades de MLOps no Azure.
Mínimas (essenciais)
- Conta Azure + SubscriptionAcesso aos serviços (free tier ou pay-as-you-go).
- Azure ML WorkspaceHub central para experimentos, modelos e endpoints.
- Azure CLI + extensão ml (v2)Operações via terminal: jobs, deploys, pipelines.
- Azure ML SDK v2 (Python)azure-ai-ml — definir jobs, pipelines e endpoints em Python.
- Git + Azure Repos / GitHubVersionamento de código e gatilho de pipelines.
- Azure DevOps Pipelines ou GitHub ActionsOrquestração de CI/CD para treino e deploy.
- Azure Storage (ADLS Gen2 / Blob)Armazenamento de datasets, artefatos e modelos.
- DockerEmpacotar ambientes de treino e inferência.
- Python 3.10+ / CondaLinguagem padrão e gerenciamento de ambientes.
- VS Code + extensão Azure MLIDE recomendada com integração nativa ao workspace.
Recomendadas (capacidade plena)
- MLflowTracking de experimentos, registry e packaging (nativo no Azure ML).
- Azure Container Registry (ACR)Registro privado de imagens Docker para inferência.
- Azure Key VaultGestão segura de segredos, conexões e chaves de modelo.
- Azure Kubernetes Service (AKS)Inferência online em larga escala com autoscaling.
- Azure Monitor + Application InsightsObservabilidade de endpoints, latência e erros.
- Azure Data Factory / Synapse PipelinesOrquestração de ingestão e transformação de dados.
- Azure DatabricksProcessamento Spark para feature engineering em escala.
- Microsoft PurviewCatálogo, governança e linhagem de dados/modelos.
- Feature Store (managed)Reuso e consistência de features entre treino e inferência.
- Bicep / TerraformInfraestrutura como código para provisionar recursos.
- Responsible AI ToolboxFairness, interpretabilidade e análise de erro de modelos.
- Evidently AI / NannyMLDetecção de data drift e degradação de performance.
- Great ExpectationsValidação automatizada de qualidade de dados.
- LakeFS / DVCVersionamento de dados e datasets reprodutíveis.
- Power BIDashboards de negócio sobre métricas de modelos em produção.
GitHub — Repositórios públicos
Notebooks oficiais do Azure ML — exemplos do SDK e cenários completos.
Exemplos oficiais SDK v2, CLI v2, pipelines, jobs e endpoints.
Acelerador MLOps v2 com templates de projetos e pipelines CI/CD.
Template clássico de MLOps em Python com Azure DevOps.
Templates reutilizáveis para Azure DevOps e GitHub Actions.
Source code e samples do SDK v2 do Azure ML.
Notebooks introdutórios de Machine Learning usados no Microsoft Learn.
Extensão az ml — CLI v2 para Azure ML.
MLflow — tracking, projects, models e registry (integrado nativamente ao Azure ML).
MLOps com Azure Databricks e Azure ML.
IaC para provisionar workspaces Azure ML, AKS, ADLS, Key Vault.
Exemplo end-to-end de RAG no Azure (referência de arquitetura ML/AI).