Retreinamento de modelo com o repositório de metadados

Na lição anterior, você viu o papel fundamental que o repositório de metadados desempenha para viabilizar a automação completa de pipelines de MLOps. Ele permite o monitoramento automático da funcionalidade do serviço de previsão e registra métricas de avaliação que ajudam a detectar degradação de desempenho ao longo do tempo. Você também aprendeu sobre retreinamento acionado e a importância de atualizar modelos para lidar com drift.

Neste exercício, você vai aplicar esse conhecimento ordenando uma sequência de etapas que mostram como o repositório de metadados e o retreinamento acionado podem ser usados para atualizar modelos automaticamente e manter o desempenho ideal.