Introdução ao serviço Azure Machine Learning

Hoje, considere nossa quinta iteração de criação de um produto de aprendizado de máquina. Para abordar este tópico, lembre-se brevemente dos produtos anteriores e de seu status atual. Considere apenas soluções totalmente integradas que permitem passar do cálculo do modelo para uso em casos reais em um produto completo.



Dou a palavra ao autor, nosso MVP, Mikhail Komarov.

Este artigo está em nosso portal de notícias.

Não cobrimos o HDInsight, a máquina virtual DataScience e outros componentes independentes de aprendizado de máquina, além de serviços cognitivos.

1. O SQL Server 2005 introduziu o componente de mineração de dados, que inclui a linguagem DMX, além de uma extensão para o Excel. A extensão mais recente funcionou no Excel. Atualmente, o produto não foi desenvolvido, embora esteja nas versões atuais do SQL Sever e exista para compatibilidade com versões anteriores.
2. 10 anos se passaram. Em 2016, o projeto do Azure Machine Learning Studio foi iniciado. A atualização cosmética mais recente é a biblioteca R. de outubro de 2018. Atualmente, não é popular. Entre as principais desvantagens estão a incapacidade de exportar e importar modelos, bem como problemas com escalabilidade. Um exemplo de uso pode ser encontrado aqui . Provavelmente, depois de 2 a 3 anos, ele sairá silenciosamente do palco.
3. SQLServer 2016 (suporte apenas R), SQL 2017,2019 (suporte R e Python), bem como um servidor dedicado para aprendizado de máquina. O produto está se desenvolvendo ativamente em termos de expansão dos recursos de aprendizado de máquina no ambiente corporativo (clustering e outros elementos da escala da empresa). Existem casos com a análise de uma grande quantidade de dados em tempo real. Interessante para quem não está pronto para compartilhar dados com a nuvem.
4. Em 2017, o Azure Machine Learning Workbench apareceu na versão preliminar, instalada localmente com Python, mas exigia uma conta no Azure. Para quem estiver interessado, veja aqui . O projeto está fechado no momento, mas muitas idéias foram transferidas para o Serviço de Aprendizado de Máquina do Azure.

A versão atual do Serviço de Aprendizado de Máquina do Azure está disponível para uso pago desde dezembro de 2018 e também há uma versão gratuita limitada.

A Microsoft divide o Serviço de Aprendizado de Máquina do Azure em três estágios amplos: preparação de dados, o experimento em si com criação de modelo e implantação. No diagrama, fica assim:



A seguir, mostramos um diagrama um pouco mais detalhado, prestamos atenção especial ao suporte ao Python e à falta de suporte ao R. Ele nos fornece informações sobre como tudo acontece.



A parte final é uma taxonomia, que mostra três componentes básicos: criar e calcular um modelo (à esquerda), coletar dados sobre o processo de cálculo do modelo (centro), implantar e dar suporte a um modelo implantado. Vamos nos debruçar sobre cada bloco de chaves com mais detalhes.



O trabalho começa com a criação de uma conta no Azure, se ela não existir. Em seguida, usando combinações simples, criamos uma conta e acessamos portal.azure.com . Lá, selecione Criar um recurso e clique no espaço de trabalho do serviço de aprendizado de Máquina do Azure. Selecione uma assinatura, crie uma região e um novo grupo de recursos.



Após alguns minutos do trabalho da nuvem, obteremos o próximo resultado no Dashboard e, em seguida, passaremos para a área de trabalho do serviço Machine Learning.





Selecionamos o espaço de trabalho do serviço Azure Machine Learning, onde abrimos os Cadernos do Microsoft Azure, onde é proposto clonar um exemplo, concordar, selecionar o tutorial - ele contém um exemplo de classificação de imagem.



Na inicialização, verifique se o kernel do Python 3.6 está selecionado e você pode seguir as etapas. A descrição das etapas no exemplo não está incluída no artigo.

A ideia geral é que, usando o navegador e o notebook Jupyter padrão com código Python, possamos criar, calcular e salvar o modelo. Há outra maneira: usando o Visual Studio Code, podemos conectar-se à nossa área e ver as propriedades dos objetos, também escrever código lá, sem esquecer de instalar o plug-in do Azure ML. De passagem, observamos que, assim que começamos a usar o Visual Studio Code, obtivemos automaticamente um IDE normal com controle de versão.





No final da seção, chamamos a atenção para a possibilidade de escolher um local para cálculo e implantação do modelo.



Monitoramento de processos e implantação de serviços

Você pode ver a seção Experiências, na qual os parâmetros do modelo calculado são exibidos.



Estamos interessados ​​em Imagem - Instância de Contêiner do Azure, em outras palavras, é

Contêiner do Docker com o nosso modelo, localizado na nuvem.





O processo de implantação vem do Visual Studio Code ou do Microsoft Azure Notebooks. Após a conclusão da implantação do serviço, cujo núcleo é nossa instância de contêiner com o modelo, obtemos a seguinte imagem:





Depois de concluir o experimento, não se esqueça de excluir o serviço e todos os recursos alocados para que não haja débito automático de fundos em seu cartão bancário. É mais fácil excluir o grupo de recursos inteiro.



Como resultado, temos uma solução para toda a empresa, com a capacidade de calcular automaticamente o modelo, implantar e retornar automaticamente ao modelo anterior no caso de um resultado insatisfatório das métricas.

Recursos:

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

Sobre o autor

Mikhail Komarov, MVP da Microsoft

Mais de 20 anos na área de TI. Interesses: virtualização, infraestrutura, análise de dados e aprendizado de máquina. Ele está empenhado em apoiar os sistemas existentes e implementar novos que visam aumentar a eficiência do trabalho no segmento corporativo. Anteriormente trabalhou como instrutor de tecnologia da informação.