Betrachten Sie heute unsere fünfte Iteration der Erstellung eines Produkts für maschinelles Lernen. Um sich diesem Thema zu nähern, rufen Sie kurz die vorherigen Produkte und ihren aktuellen Status auf. Betrachten Sie nur vollständig integrierte Lösungen, mit denen Sie von der Berechnung des Modells zur Verwendung in realen Fällen in einem vollständigen Produkt übergehen können.
Ich gebe dem Autor, unserem MVP, Mikhail Komarov, das Wort.
Dieser Artikel befindet sich in unserem Nachrichtenportal.
Wir behandeln nicht HDInsight, die virtuelle DataScience-Maschine und andere unabhängige maschinelle Lernkomponenten sowie kognitive Dienste.
- In SQL Server 2005 wurde die Data Mining-Komponente eingeführt, die die DMX-Sprache sowie eine Erweiterung für Excel enthält. Die neueste Erweiterung hat in Excel funktioniert. Derzeit ist das Produkt nicht entwickelt, obwohl es in aktuellen Versionen von SQL Server vorhanden ist und aus Gründen der Abwärtskompatibilität vorhanden ist.
- 10 Jahre sind vergangen. Im Jahr 2016 wurde das Azure Machine Learning Studio-Projekt gestartet. Das neueste kosmetische Update ist Oktober 2018, R-Bibliothek. Es ist derzeit nicht Mainstream. Zu den Hauptnachteilen zählen die Unfähigkeit, Modelle zu exportieren und zu importieren, sowie Probleme mit der Skalierbarkeit. Ein Anwendungsbeispiel finden Sie hier . Höchstwahrscheinlich wird er nach 2-3 Jahren leise die Bühne verlassen.
- SQLServer 2016 (nur R unterstützen), SQL 2017, 2019 (R und Python unterstützen) sowie ein dedizierter Server für maschinelles Lernen. Das Produkt entwickelt sich aktiv im Hinblick auf die Erweiterung der Möglichkeiten des maschinellen Lernens in der Unternehmensumgebung (Clustering und andere Elemente der Unternehmensskala). Es gibt Fälle, in denen eine große Datenmenge in Echtzeit analysiert wird. Interessant für diejenigen, die nicht bereit sind, Daten mit der Cloud zu teilen.
- Im Jahr 2017 wurde die Azure Machine Learning Workbench in der vorläufigen Version angezeigt, die lokal mit Python installiert wurde, für die jedoch ein Konto in Azure erforderlich war. Für diejenigen, die interessiert sind, schauen Sie hier . Das Projekt ist derzeit geschlossen, aber viele Ideen wurden an den Azure Machine Learning Service übertragen.
Die aktuelle Version des Azure Machine Learning Service ist seit Dezember 2018 kostenpflichtig und es gibt auch eine eingeschränkte kostenlose Version.
Microsoft unterteilt den Azure Machine Learning Service in drei große Phasen: Datenvorbereitung, Experiment selbst mit der Modellerstellung und Bereitstellung. Im Diagramm sieht es so aus:
Als nächstes sehen Sie ein etwas detaillierteres Diagramm. Wir achten besonders auf die Python-Unterstützung und den Mangel an R.-Unterstützung. Es gibt uns Informationen darüber, wie alles passiert.
Der letzte Teil ist eine Taxonomie, die drei wichtige Bausteine zeigt: Erstellen und Berechnen eines Modells (links), Sammeln von Daten zum Modellberechnungsprozess (Mitte), Bereitstellen und Unterstützen eines bereitgestellten Modells. Lassen Sie uns näher auf jeden Schlüsselblock eingehen.
Die Arbeit beginnt mit dem Erstellen eines Kontos in Azure. Wenn es nicht vorhanden ist, erstellen wir mithilfe einfacher Kombinationen ein Konto und gehen zu
portal.azure.com . Wählen Sie dort Ressource erstellen aus und klicken Sie dann auf den Arbeitsbereich des Azure Machine Learning-Dienstes. Wählen Sie ein Abonnement aus, erstellen Sie eine Region und eine neue Ressourcengruppe.
Nach einigen Minuten der Cloud-Arbeit erhalten wir das nächste Ergebnis im Dashboard und wechseln dann zum Arbeitsbereich des Dienstes für maschinelles Lernen.
Wir wählen den Arbeitsbereich des Azure Machine Learning-Dienstes aus. Dort öffnen wir die Microsoft Azure-Notizbücher, in denen vorgeschlagen wird, ein Beispiel zu klonen, zuzustimmen und das Lernprogramm auszuwählen. Es enthält ein Beispiel für die Bildklassifizierung.
Stellen Sie beim Start sicher, dass der Python 3.6-Kernel ausgewählt ist, und führen Sie die folgenden Schritte aus. Die Beschreibung der Schritte im Beispiel ist im Artikel nicht enthalten.
Die Idee im Allgemeinen ist, dass wir mit dem Browser und dem Standard-Jupyter-Notizbuch mit Python-Code das Modell erstellen, berechnen und speichern können. Es gibt noch einen anderen Weg: Mit Visual Studio Code können wir eine Verbindung zu unserem Bereich herstellen und die Eigenschaften von Objekten anzeigen sowie dort Code schreiben, ohne zu vergessen, das Azure ML-Plugin zu installieren. Nebenbei stellen wir fest, dass wir, sobald wir Visual Studio Code verwenden, automatisch eine normale IDE mit Versionskontrolle erhalten.
Am Ende des Abschnitts machen wir auf die Möglichkeit aufmerksam, einen Ort für die Berechnung und für die Modellbereitstellung auszuwählen.
Prozessüberwachung und Servicebereitstellung
Sie können den Abschnitt Experimente sehen, in dem die Parameter des berechneten Modells angezeigt werden.
Wir sind an Image - Azure Container Instance interessiert, mit anderen Worten
Docker-Container mit unserem Modell, das sich in der Cloud befindet.
Der Bereitstellungsprozess erfolgt über Visual Studio Code oder Microsoft Azure Notebooks. Nach Abschluss der Bereitstellung des Dienstes, dessen Kern unsere Containerinstanz mit dem Modell ist, erhalten wir das folgende Bild:
Vergessen Sie nach Abschluss des Experiments nicht, den Dienst und alle zugewiesenen Ressourcen zu löschen, damit keine automatische Abbuchung von Geldern von Ihrer Bankkarte erfolgt. Es ist einfacher, die gesamte Ressourcengruppe zu löschen.
Als Ergebnis verfügen wir über eine unternehmensweite Lösung mit der Möglichkeit, das Modell automatisch zu berechnen, bereitzustellen und im Falle eines unbefriedigenden Ergebnisses von Metriken automatisch zum vorherigen Modell zurückzukehren.
Ressourcen:
azure.microsoft.com/en-us/services/machine-learning-serviceÜber den Autor
Mikhail Komarov, Microsoft MVP
Mehr als 20 Jahre im IT-Bereich. Interessen: Virtualisierung, Infrastruktur, Datenanalyse und maschinelles Lernen. Er unterstützt bestehende und die Implementierung neuer Systeme zur Steigerung der Arbeitseffizienz im Unternehmenssegment. Zuvor arbeitete er als Trainer für Informationstechnologie.