اليوم ، فكر في التكرار الخامس لإنشاء منتج تعلم آلي. للتعامل مع هذا الموضوع ، تذكر بإيجاز المنتجات السابقة وحالتها الحالية. ضع في اعتبارك فقط الحلول المتكاملة تمامًا التي تتيح لك الانتقال من حساب النموذج لاستخدامه في الحالات الحقيقية في منتج واحد كامل.
أعطي الكلمة للمؤلف ، MVP لدينا ، ميخائيل كوماروف.
هذه المقالة على بوابة الأخبار لدينا.
نحن لا نغطي HDInsight والجهاز الظاهري لـ DataScience ومكونات التعلم الآلي المستقلة الأخرى بالإضافة إلى الخدمات المعرفية.
- قدم SQL Server 2005 مكون استخراج البيانات ، والذي يتضمن لغة DMX ، بالإضافة إلى ملحق لبرنامج Excel. أحدث ملحق يعمل على Excel ، حاليًا ، لم يتم تطوير المنتج ، على الرغم من أنه موجود في الإصدارات الحالية من SQL Sever وهو موجود للتوافق مع الإصدارات السابقة.
- لقد مرت 10 سنوات. في عام 2016 ، بدأ مشروع Azure Machine Learning Studio. آخر تحديث تجميلي هو مكتبة أكتوبر 2018 ، وهي مكتبة غير موجودة حاليًا. من بين العيوب الرئيسية عدم القدرة على تصدير واستيراد النماذج ، وكذلك مشاكل قابلية التوسع. مثال للاستخدام يمكن العثور عليها هنا . على الأرجح ، بعد 2-3 سنوات سيترك المسرح بهدوء.
- SQLServer 2016 (دعم فقط R) و SQL 2017،2019 (دعم R و Python) ، بالإضافة إلى خادم مخصص للتعلم الآلي. يتطور المنتج بنشاط من حيث توسيع قدرات التعلم الآلي في بيئة الشركة (التجميع وعناصر أخرى من نطاق المؤسسة). هناك حالات مع تحليل كمية كبيرة من البيانات في الوقت الحقيقي. مثيرة للاهتمام بالنسبة لأولئك الذين ليسوا على استعداد لمشاركة البيانات مع السحابة.
- في عام 2017 ، ظهر منضدة Azure Machine Learning Workbench في الإصدار الأولي ، تم تثبيته محليًا مع Python ، لكنه طلب حسابًا في Azure. بالنسبة لأولئك المهتمين ، انظر هنا . المشروع مغلق حاليًا ، ولكن تم نقل العديد من الأفكار إلى خدمة التعلم الآلي من Azure.
الإصدار الحالي من Azure Machine Learning Service متاح للاستخدام المدفوع منذ ديسمبر 2018 ، وهناك أيضًا نسخة مجانية محدودة.
تقوم Microsoft بتقسيم خدمة التعلم الآلي Azure Machine إلى ثلاث مراحل واسعة: إعداد البيانات والتجربة نفسها مع إنشاء النماذج ونشرها. في المخطط ، يبدو كما يلي:
التالي هو مخطط أكثر تفصيلًا ، نولي اهتمامًا خاصًا لدعم بيثون ونقص الدعم R. وهو يوفر لنا معلومات عن كيفية حدوث كل شيء.
الجزء الأخير عبارة عن تصنيف ، يُظهر ثلاثة عناصر أساسية: إنشاء نموذج وحسابه (يسار) ، وجمع بيانات حول عملية حساب النموذج (وسط) ، ونشر ودعم نموذج منشور. دعونا نتحدث عن كل كتلة رئيسية بمزيد من التفاصيل.
يبدأ العمل بإنشاء حساب في Azure ، إذا لم يكن موجودًا ، ثم باستخدام مجموعات بسيطة نقوم بإنشاء حساب والانتقال إلى
portal.azure.com . هناك ، حدد إنشاء مورد ، ثم انقر فوق مساحة عمل خدمة تعلم Azure Machine. حدد اشتراكًا ، وقم بإنشاء منطقة ومجموعة موارد جديدة.
بعد بضع دقائق من عمل السحابة ، سنحصل على النتيجة التالية على Dashboard ، ثم ننتقل إلى مساحة عمل خدمة Machine Learning.
نختار مساحة عمل خدمة Azure Machine Learning ، وهناك نفتح Microsoft Azure Notebooks ، حيث يُقترح استنساخ مثال ، والاتفاق ، وتحديد البرنامج التعليمي - أنه يحتوي على مثال لتصنيف الصور.
عند بدء التشغيل ، تحقق من تحديد Python 3.6 kernel ، ويمكنك اتباع الخطوات. لم يتم تضمين وصف الخطوات في المثال في المقالة.
الفكرة بشكل عام هي أنه باستخدام المتصفح وجهاز Jupyter القياسي مع رمز Python ، يمكننا إنشاء وحساب وحفظ النموذج. هناك طريقة أخرى - باستخدام Visual Studio Code ، يمكننا الاتصال بمنطقتنا ومشاهدة خصائص الكائنات ، وكذلك كتابة التعليمات البرمجية هناك ، دون أن ننسى تثبيت البرنامج المساعد Azure ML. بشكل عابر ، نلاحظ أنه بمجرد بدء استخدام Visual Studio Code ، حصلنا تلقائيًا على IDE عادي مع التحكم في الإصدار.
في نهاية القسم ، نلفت الانتباه إلى إمكانية اختيار مكان للحساب ونشر النموذج.
مراقبة العملية ونشر الخدمة
يمكنك رؤية قسم التجارب ، حيث يتم عرض معلمات النموذج المحسوب.
نحن مهتمون بـ Image - Azure Container Instance ، بمعنى آخر ، إنه كذلك
حاوية عامل الميناء مع نموذجنا ، الذي يقع في السحابة.
تأتي عملية النشر من Visual Studio Code أو Microsoft Azure Notebooks. عند الانتهاء من نشر الخدمة ، والتي هي جوهر حاوية لدينا مع النموذج ، نحصل على الصورة التالية:
بعد الانتهاء من التجربة ، لا تنسَ حذف الخدمة وجميع الموارد المخصصة حتى لا يكون هناك خصم تلقائي للأموال من بطاقتك المصرفية. من الأسهل حذف مجموعة الموارد بأكملها.
نتيجة لذلك ، لدينا حل على مستوى المؤسسة ، مع القدرة على حساب النموذج تلقائيًا ونشره والعودة تلقائيًا إلى النموذج السابق في حالة وجود نتيجة غير مرضية للمقاييس.
الموارد:
azure.microsoft.com/en-us/services/machine-learning-serviceعن المؤلف
ميخائيل كوماروف ، مايكروسوفت MVP
أكثر من 20 عامًا في مجال تكنولوجيا المعلومات. الاهتمامات: المحاكاة الافتراضية والبنية التحتية وتحليل البيانات والتعلم الآلي. وهو يشارك في دعم وتنفيذ النظم الجديدة القائمة التي تهدف إلى زيادة كفاءة العمل في قطاع الشركات. عمل سابقًا كمدرب لتكنولوجيا المعلومات.