Memulai dengan layanan Belajar Mesin Azure

Hari ini, pertimbangkan iterasi kelima kami untuk menciptakan produk pembelajaran mesin. Untuk mendekati topik ini, ingat sebentar produk sebelumnya dan status mereka saat ini. Pertimbangkan hanya solusi terintegrasi penuh yang memungkinkan Anda beralih dari perhitungan model untuk digunakan dalam kasus nyata dalam satu produk lengkap.



Saya memberikan lantai kepada penulis, MVP kami, Mikhail Komarov.

Artikel ini ada di portal berita kami.

Kami tidak mencakup HDInsight, mesin virtual DataScience, dan komponen pembelajaran mesin independen lainnya serta layanan kognitif.

1. SQL Server 2005 memperkenalkan komponen Data mining, yang mencakup bahasa DMX, serta ekstensi untuk Excel. Ekstensi terbaru berfungsi di Excel. Saat ini, produk ini tidak dikembangkan, meskipun dalam versi SQL Sever saat ini dan ada untuk kompatibilitas mundur.
2. 10 tahun telah berlalu. Pada 2016, proyek Azure Machine Learning Studio dimulai. Pembaruan kosmetik terbaru adalah Oktober 2018, perpustakaan R. Saat ini tidak umum. Di antara kelemahan utama adalah ketidakmampuan untuk mengekspor dan mengimpor model, serta masalah dengan skalabilitas. Contoh penggunaan dapat ditemukan di sini . Kemungkinan besar, setelah 2-3 tahun ia diam-diam akan meninggalkan panggung.
3. SQLServer 2016 (hanya dukungan R), SQL 2017,2019 (dukungan R dan Python), serta server khusus untuk pembelajaran mesin. Produk ini secara aktif berkembang dalam hal memperluas kemampuan pembelajaran mesin di lingkungan perusahaan (pengelompokan dan elemen lain dari skala perusahaan). Ada kasus dengan analisis sejumlah besar data secara real time. Menarik bagi mereka yang tidak siap berbagi data dengan cloud.
4. Pada 2017, Meja Kerja Pembelajaran Mesin Azure muncul di versi awal, dipasang secara lokal dengan Python, tetapi membutuhkan akun di Azure. Bagi yang berminat, lihat di sini . Proyek ini sedang ditutup, tetapi banyak ide telah ditransfer ke Layanan Pembelajaran Mesin Azure.

Versi saat ini dari Layanan Pembelajaran Mesin Azure tersedia untuk penggunaan berbayar sejak Desember 2018, dan ada juga versi gratis terbatas.

Microsoft memecah Layanan Pembelajaran Mesin Azure menjadi tiga tahap besar: persiapan data, percobaan itu sendiri dengan pembuatan model, dan penyebaran. Dalam diagram, terlihat seperti ini:



Berikutnya adalah diagram yang sedikit lebih rinci, kami memberikan perhatian khusus pada dukungan Python dan kurangnya dukungan R. Ini memberi kami informasi tentang bagaimana semuanya terjadi.



Bagian terakhir adalah taksonomi, yang menunjukkan tiga blok bangunan utama: membuat dan menghitung model (kiri), mengumpulkan data tentang proses perhitungan model (tengah), menggunakan dan mendukung model yang digunakan. Mari kita membahas setiap blok kunci lebih terinci.



Pekerjaan dimulai dengan membuat akun di Azure, jika tidak ada, kemudian menggunakan kombinasi sederhana kami membuat akun dan pergi ke portal.azure.com . Di sana, pilih Buat sumber daya, lalu klik ruang kerja layanan pembelajaran Mesin Azure. Pilih langganan, buat wilayah dan grup sumber daya baru.



Setelah beberapa menit operasi cloud, kita akan mendapatkan hasil berikut di Dashboard, dan kemudian beralih ke ruang kerja layanan Machine Learning.





Kami memilih ruang kerja layanan Pembelajaran Mesin Azure, di sana kami membuka Microsoft Azure Notebooks, di mana ia diusulkan untuk mengkloning contoh, setuju, pilih tutorial - ini berisi contoh klasifikasi gambar.



Saat memulai, verifikasi bahwa kernel Python 3.6 dipilih, dan Anda dapat mengikuti langkah-langkahnya. Deskripsi langkah-langkah dalam contoh ini tidak termasuk dalam artikel.

Idenya secara umum adalah bahwa menggunakan browser dan notebook Jupyter standar dengan kode Python, kita dapat membuat, menghitung, dan menyimpan model. Ada cara lain - menggunakan Visual Studio Code, kita dapat terhubung ke area kita dan melihat properti objek, juga menulis kode di sana, tanpa lupa menginstal plugin Azure ML. Secara sepintas, kami mencatat bahwa segera setelah kami mulai menggunakan Visual Studio Code, kami secara otomatis mendapatkan IDE normal dengan kontrol versi.





Di akhir bagian, kami menyoroti kemungkinan memilih tempat untuk perhitungan dan untuk penyebaran model.



Pemantauan proses dan penyebaran layanan

Anda dapat melihat bagian Eksperimen, di mana parameter dari model yang dihitung ditampilkan.



Kami tertarik pada Image - Azure Container Instance, dengan kata lain, itu

Wadah Docker dengan model kami, yang terletak di cloud.





Proses penyebaran berasal dari Visual Studio Code atau Microsoft Azure Notebooks. Setelah menyelesaikan penyebaran layanan, yang intinya adalah contoh kontainer kami dengan model, kami mendapatkan gambar berikut:





Setelah menyelesaikan percobaan, jangan lupa untuk menghapus layanan dan semua sumber daya yang dialokasikan sehingga tidak ada debit dana otomatis dari kartu bank Anda. Lebih mudah untuk menghapus seluruh grup sumber daya.



Sebagai hasilnya, kami memiliki solusi di seluruh perusahaan, dengan kemampuan untuk secara otomatis menghitung model, menyebarkan dan secara otomatis kembali ke model sebelumnya jika ada hasil metrik yang tidak memuaskan.

Sumber:

azure.microsoft.com/en-us/services/machine-learning-service

Tentang penulis

Mikhail Komarov, Microsoft MVP

Lebih dari 20 tahun di bidang IT. Minat: virtualisasi, infrastruktur, analisis data, dan pembelajaran mesin. Ia terlibat dalam mendukung sistem yang ada dan menerapkan sistem baru yang bertujuan untuk meningkatkan efisiensi kerja di segmen perusahaan. Sebelumnya bekerja sebagai pelatih teknologi informasi.