Hoy, considere nuestra quinta iteración de crear un producto de aprendizaje automático. Para abordar este tema, recuerde brevemente los productos anteriores y su estado actual. Considere solo soluciones totalmente integradas que le permitan pasar del cálculo del modelo a usar en casos reales en un producto completo.
Doy la palabra al autor, nuestro MVP, Mikhail Komarov.
Este artículo está en nuestro portal de noticias.
No cubrimos HDInsight, la máquina virtual DataScience y otros componentes independientes de aprendizaje automático, así como los servicios cognitivos.
- SQL Server 2005 introdujo el componente de minería de datos, que incluye el lenguaje DMX, así como una extensión para Excel. La última extensión funcionó en Excel. Actualmente, el producto no está desarrollado, aunque está en las versiones actuales de SQL Sever y existe para la compatibilidad con versiones anteriores.
- Han pasado 10 años. En 2016, comenzó el proyecto Azure Machine Learning Studio. La última actualización cosmética es octubre de 2018, biblioteca R. Actualmente no es corriente. Entre las principales desventajas están la incapacidad de exportar e importar modelos, así como los problemas con la escalabilidad. Un ejemplo de uso se puede encontrar aquí . Lo más probable es que después de 2-3 años salga silenciosamente del escenario.
- SQLServer 2016 (solo admite R), SQL 2017,2019 (admite R y Python), así como un servidor dedicado para el aprendizaje automático. El producto se está desarrollando activamente en términos de expansión de las capacidades de aprendizaje automático en el entorno corporativo (agrupación y otros elementos de la escala empresarial). Hay casos con el análisis de una gran cantidad de datos en tiempo real. Interesante para aquellos que no están listos para compartir datos con la nube.
- En 2017, Azure Machine Learning Workbench apareció en la versión preliminar, instalada localmente con Python, pero requería una cuenta en Azure. Para aquellos que estén interesados, mire aquí . El proyecto está actualmente cerrado, pero muchas ideas se han transferido al Servicio Azure Machine Learning.
La versión actual de Azure Machine Learning Service está disponible para uso pago desde diciembre de 2018, y también hay una versión gratuita limitada.
Microsoft desglosa el Servicio Azure Machine Learning en tres amplias etapas: preparación de datos, el experimento en sí mismo con la creación del modelo y la implementación. En el diagrama, se ve así:
El siguiente es un diagrama un poco más detallado, prestamos especial atención al soporte de Python y la falta de soporte de R. Nos da información sobre cómo sucede todo.
La parte final es una taxonomía, que muestra tres bloques de construcción clave: crear y calcular un modelo (izquierda), recopilar datos sobre el proceso de cálculo del modelo (centro), implementar y apoyar un modelo implementado. Detengámonos en cada bloque de teclas con más detalle.
El trabajo comienza con la creación de una cuenta en Azure, si no existe, luego, usando combinaciones simples, creamos una cuenta y vamos a
portal.azure.com . Allí, seleccione Crear un recurso, luego haga clic en el espacio de trabajo del servicio Azure Machine Learning. Seleccione una suscripción, cree una región y un nuevo grupo de recursos.
Después de unos minutos de trabajo en la nube, obtendremos el siguiente resultado en el Tablero y luego pasaremos al espacio de trabajo del servicio de Aprendizaje automático.
Seleccionamos el espacio de trabajo del servicio Azure Machine Learning, allí abrimos los Cuadernos de Microsoft Azure, donde se propone clonar un ejemplo, de acuerdo, seleccionamos el tutorial: contiene un ejemplo de clasificación de imágenes.
Al inicio, verifique que el núcleo Python 3.6 esté seleccionado, y puede seguir los pasos. La descripción de los pasos del ejemplo no se incluye en el artículo.
La idea en general es que usando el navegador y el cuaderno estándar Jupyter con código Python, podemos crear, calcular y guardar el modelo. Hay otra forma: con Visual Studio Code, podemos conectarnos a nuestra área y ver las propiedades de los objetos, también escribir código allí, sin olvidar instalar el complemento Azure ML. De paso, notamos que tan pronto como comenzamos a usar Visual Studio Code, obtuvimos automáticamente un IDE normal con control de versiones.
Al final de la sección, llamamos la atención sobre la posibilidad de elegir un lugar para el cálculo y la implementación del modelo.
Monitoreo de procesos e implementación de servicios
Puede ver la sección Experimentos, donde se muestran los parámetros del modelo calculado.
Estamos interesados en Image - Azure Container Instance, en otras palabras, es
Contenedor Docker con nuestro modelo, que se encuentra en la nube.
El proceso de implementación proviene de Visual Studio Code o Microsoft Azure Notebooks. Al finalizar la implementación del servicio, cuyo núcleo es nuestra instancia de contenedor con el modelo, obtenemos la siguiente imagen:
Después de completar el experimento, no olvide eliminar el servicio y todos los recursos asignados para que no haya débito automático de fondos de su tarjeta bancaria. Es más fácil eliminar todo el grupo de recursos.
Como resultado, tenemos una solución para toda la empresa, con la capacidad de calcular automáticamente el modelo, implementarlo y volver automáticamente al modelo anterior en caso de un resultado insatisfactorio de las métricas.
Recursos:
azure.microsoft.com/en-us/services/machine-learning-serviceSobre el autor
Mikhail Komarov, MVP de Microsoft
Más de 20 años en el campo de TI. Intereses: virtualización, infraestructura, análisis de datos y aprendizaje automático. Está comprometido a apoyar los sistemas existentes e implementar nuevos destinados a aumentar la eficiencia del trabajo en el segmento corporativo. Anteriormente trabajó como entrenador de tecnología de la información.