Migración a Azure Machine Learning desde Estudio (clásico)

Artículo
04/02/2024

Importante

El soporte técnico de Estudio de Machine Learning (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.

A partir de diciembre de 2021, ya no se podrán crear nuevos recursos de Estudio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Estudio (clásico) existentes.

La documentación de Estudio (clásico) se está retirando y puede que no se actualice en el futuro.

Veremos cómo migrar desde Machine Learning Studio (clásico) a Azure Machine Learning. Azure Machine Learning proporciona una plataforma de ciencia de datos modernizada que combina enfoques sin código y de código primero.

En esta guía, se describe una migración mediante lift-and-shift básica. Si lo que desea es optimizar un flujo de trabajo de aprendizaje automático existente o modernizar una plataforma de aprendizaje automático, consulte el marco de adopción de Azure Machine Learning para obtener más recursos, como herramientas de encuesta digital, hojas de cálculo y plantillas de planeamiento.

Trabaje con el arquitecto de soluciones en la nube para la migración.

Enfoque recomendado

Para migrar a Azure Machine Learning, se recomienda usar el siguiente enfoque:

Paso 1: Evaluar Azure Machine Learning
Paso 2: Definir una estrategia y un plan
Paso 3: Recompilar los experimentos y servicios web
Paso 4: Integrar las aplicaciones cliente
Paso 5: Limpiar los recursos de Studio (clásico)
Paso 6: Revisar y ampliar los escenarios

Paso 1: Evaluar Azure Machine Learning

Consiga más información sobre Azure Machine Learning y sus ventajas, costes y arquitectura.

Compare las funcionalidades de Azure Machine Learning y Studio (clásico).

En la tabla siguiente, se resumen las principales diferencias.

Característica	Studio (clásico)	Azure Machine Learning
Interfaz de arrastrar y colocar	Experiencia clásica	Experiencia actualizada: diseñador de Azure Machine Learning
SDK de código	No compatible	Completamente integrado con los SDK de Azure Machine Learning Python y R
Experimento	Escalable (límite de datos de entrenamiento, 10 GB)	Escalar con destino de proceso
Entrenamiento de destinos de proceso	Destino de proceso propietario, solo admite CPU	Amplia gama de destinos de proceso de entrenamiento personalizables; incluye compatibilidad con GPU y CPU
Destinos de proceso de implementación	Formato del servicio web propietario, no personalizable	Amplia gama de destinos de proceso de implementación personalizables; incluye compatibilidad con GPU y CPU
Canalización de aprendizaje automático	No compatible	Creación de canalizaciones flexibles y modulares para automatizar flujos de trabajo
MLOps	Implementación y administración básicas de modelos; implementaciones solo de CPU	Control de versiones de entidades (modelo, datos, flujos de trabajo), automatización de flujos de trabajo, integración con herramientas de CICD, implementaciones de CPU y GPU, y mucho más
Formato del modelo	Formato propietario, solo Studio (clásico)	Se admiten varios formatos en función del tipo de trabajo de entrenamiento
Entrenamiento de modelos y optimización de hiperparámetros automatizados	No compatible	Compatible Opciones de los tipos código primero y sin código
Detección de desfase de datos	No compatible	Compatible
Proyecto de etiquetado de datos	No compatible	Compatible
Control de acceso basado en rol (RBAC)	Solo rol de colaborador y propietario	Definición de roles flexibles y control RBAC
AI Gallery	Compatible	No compatible Obtenga información con los cuadernos de SDK de Python de ejemplo

Nota:

La característica de diseñador de Azure Machine Learning ofrece una experiencia de arrastrar y colocar que es similar a Estudio (clásico). Sin embargo, Azure Machine Learning también proporciona sólidos flujos de trabajo de código primero como alternativa. Esta serie de migración se centra en el diseñador, ya que es más similar a la experiencia de Studio (clásico).

Compruebe que los módulos esenciales de Studio (clásico) se admiten en el diseñador de Azure Machine Learning. Para más información, consulte la tabla Asignación de componentes entre Estudio (clásico) y el diseñador.
Cree un área de trabajo de Azure Machine Learning.

Paso 2: Definir una estrategia y un plan

Defina las diversas justificaciones comerciales y resultados esperados.
Adecue un plan de adopción Azure Machine Learning viable a los resultados empresariales.
Prepare las personas, los procesos y los entornos relevantes para el cambio.

Trabaje con el arquitecto de soluciones en la nube para definir la estrategia.

Para ver los recursos de planeación, incluida una plantilla de documento de planeación, consulte el marco de adopción de Azure Machine Learning.

Paso 3: Recompilar el primer modelo

Después de definir una estrategia, migre el primer modelo.

Migración de un conjunto de datos a Azure Machine Learning.
Utilice el diseñador de Azure Machine Learning para recompilar un experimento.
Utilice el diseñador de Azure Machine Learning para volver a implementar un servicio web.

Nota:

Estas instrucciones se basan en los conceptos y características de Azure Machine Learning v1. La CLI de Azure Machine Learning v2 y el SDK de Python v2. Se recomienda que recompile los modelos de Estudio (clásico) con v2 en lugar de v1. Empiece por Azure Machine Learning v2.

Paso 4: Integrar las aplicaciones cliente

Modifique las aplicaciones cliente que invocan los servicios web de Studio (clásico) para que usen los nuevos puntos de conexión de Azure Machine Learning.

Paso 5: Limpiar los recursos de Studio (clásico)

Para evitar cargos adicionales, limpie los recursos de Studio (clásico). Si lo desea, puede conservar recursos como reserva hasta que haya comprobado las cargas de trabajo de Azure Machine Learning.

Paso 6: Revisar y ampliar los escenarios

Revise la migración del modelo en relación con los procedimientos recomendados y valide las cargas de trabajo.
Expanda los escenarios y migre más cargas de trabajo a Azure Machine Learning.

Asignación de componentes entre Studio (clásico) y el diseñador

En la tabla siguiente, puede consultar qué módulos debe usar al recompilar los experimentos de Estudio (clásico) en el diseñador de Azure Machine Learning.

Importante

El diseñador implementa los módulos mediante paquetes de Python de código abierto, en lugar de usar paquetes de C# como hace Studio (clásico). Debido a esta diferencia, la salida de los módulos del diseñador puede variar ligeramente de sus homólogos de Studio (clásico).

Para más información sobre cómo usar los módulos individuales del diseñador, consulte la referencia del componente y algoritmo.

¿Qué ocurre si falta un componente del diseñador?

El diseñador de Azure Machine Learning contiene los módulos más populares de Studio (clásico). También incluye nuevos módulos que aprovechan las técnicas de aprendizaje automático más recientes.

Si la migración está bloqueada debido a que faltan módulos en el diseñador, póngase en contacto con nosotros mediante la creación de una incidencia de soporte técnico.

Ejemplo de migración

En el siguiente ejemplo de migración, se destacan algunas de las diferencias entre Estudio (clásico) y Azure Machine Learning.

Conjuntos de datos

En Studio (clásico), los conjuntos de datos se guardaban en el área de trabajo y solo se podían usar en Studio (clásico).

En Azure Machine Learning, los conjuntos de datos se registran en el área de trabajo y se pueden usar en todo Azure Machine Learning. Para más información sobre las ventajas de los conjuntos de datos de Azure Machine Learning, consulte Datos en Azure Machine Learning.

Canalización

En Studio (clásico), los experimentos contenían la lógica de procesamiento del trabajo. Creaba experimentos con módulos de arrastrar y colocar.

En Azure Machine Learning, las canalizaciones contienen la lógica de procesamiento del trabajo. Puede crear canalizaciones con módulos de arrastrar y colocar, o bien escribiendo código.

Puntos de conexión de servicio web

Studio (clásico) usaba REQUEST/RESPOND API para la predicción en tiempo real y BATCH EXECUTION API para la predicción por lotes o el reentrenamiento.

Azure Machine Learning usa puntos de conexión en tiempo real (puntos de conexión administrados) para la predicción en tiempo real y puntos de conexión de canalización para la predicción por lotes o el reentrenamiento.

En este artículo, ha conocido los requisitos generales para migrar a Azure Machine Learning. Para ver los pasos detallados, consulte los demás artículos de la serie de migración de Estudio de Machine Learning (clásico):

Para ver más recursos de migración, consulte el marco de adopción de Azure Machine Learning.

Category	Módulo de Studio (clásico)	Sustitución de componentes del diseñador
Entrada y salida de datos	- Enter data manually (Introducir datos manualmente) - Export data (Exportar datos) - Import data (Importar datos) - Load trained model (Cargar modelo entrenado) - Unpack zipped datasets (Desempaquetar conjuntos de datos comprimidos)	- Enter data manually (Introducir datos manualmente) - Export data (Exportar datos) - Import data (Importar datos)
Conversiones de formato de datos	- Convert to CSV (Convertir a CSV) - Convert to dataset (Convertir a conjunto de datos) - Convert to ARFF (Convertir a ARFF) - Convert to SVMLight (Convertir a SVMLight) - Convert to TSV (Convertir a TSV)	- Convert to CSV (Convertir a CSV) - Convert to dataset (Convertir a conjunto de datos)
Transformación de datos: manipulación	- Add columns (Agregar columnas) - Add rows (Agregar filas) - Apply SQL transformation (Aplicar transformación de SQL) - Clean missing data (Limpiar datos que faltan) - Convert to indicator values (Convertir en valores de indicador) - Edit metadata (Editar metadatos) - Join data (Combinar datos) - Remove duplicate rows (Quitar filas duplicadas) - Select columns in dataset (Seleccionar columnas del conjunto de datos) - Select columns transform (Seleccionar transformación de columnas) - SMOTE - Group categorical values (Agrupar valores de categorías)	- Add columns (Agregar columnas) - Add rows (Agregar filas) - Apply SQL transformation (Aplicar transformación de SQL) - Clean missing data (Limpiar datos que faltan) - Convert to indicator values (Convertir en valores de indicador) - Edit metadata (Editar metadatos) - Join data (Combinar datos) - Remove duplicate rows (Quitar filas duplicadas) - Select columns in dataset (Seleccionar columnas del conjunto de datos) - Select columns transform (Seleccionar transformación de columnas) - SMOTE
Data transformation – Scale and reduce (Transformación de datos - Escalar y reducir)	- Clip values (Recorte de valores) - Group data into bins (Agrupar datos en rangos) - Normalize data (Normalizar datos) - Principal component analysis (Análisis de componentes principales)	- Clip values (Recorte de valores) - Group data into bins (Agrupar datos en rangos) - Normalize data (Normalizar datos)
Data transformation – Sample and split (Transformación de datos - Muestrear y dividir)	- Partition and sample (Partición y muestra) - Split data (Dividir datos)	- Partition and sample (Partición y muestra) - Split data (Dividir datos)
Data transformation – Filter (Transformación de datos - Filtro)	- Apply filter (Aplicar filtro) - FIR filter (Filtro FIR) - IIR filter (Filtro IIR) - Median filter (Filtro de mediana) - Moving average filter (Filtro de media móvil) - Threshold filter (Filtro de umbral) - User defined filter (Filtro definido por el usuario)
Data transformation – Learning with counts (Transformación de datos - Aprendizaje con recuentos)	- Build counting transform (Crear transformación de recuento) - Export count table (Exportar tabla de recuentos) - Import count table (Importar tabla de recuentos) - Merge count transform (Combinar transformación de recuento) - Modify count table parameters (Modificar parámetros de tabla de recuento)
Selección de características	- Filter based feature selection (Selección de características basada en filtro) - Fisher linear discriminant analysis (Análisis discriminante lineal de Fisher) - Permutation feature importance (Importancia de la característica de permutación)	- Filter based feature selection (Selección de características basada en filtro) - Permutation feature importance (Importancia de la característica de permutación)
Modelo: clasificación	- Multiclass decision forest (Bosque de decisión multiclase) - Multiclass decision jungle (Selva de decisión multiclase) - Multiclass logistic regression (Regresión logística multiclase) - Multiclass neural network (Red neuronal multiclase) - One-vs-all multiclass (Uno frente a todos multiclase) - Two-class averaged perceptron (Perceptrón promedio de dos clases) - Two-class bayes point machine (Máquina del punto de Bayes de dos clases) - Two-class boosted decision tree (Árbol de decisión ampliado de dos clases) - Two-class decision forest (Bosque de decisión de dos clases) - Two-class decision jungle (Selva de decisión de dos clases) - SVM localmente profunda de dos clases - Two-class logistic regression (Regresión logística de dos clases) - Two-class neural network (Red neuronal de dos clases) - Two-class support vector machine (Máquina de vectores compatible con dos clases)	- Multiclass decision forest (Bosque de decisión multiclase) - Multiclass boost decision tree (Árbol de decisión ampliado multiclase) - Multiclass logistic regression (Regresión logística multiclase) - Multiclass neural network (Red neuronal multiclase) - One-vs-all multiclass (Uno frente a todos multiclase) - Two-class averaged perceptron (Perceptrón promedio de dos clases) - Two-class boosted decision tree (Árbol de decisión ampliado de dos clases) - Two-class decision forest (Bosque de decisión de dos clases) - Two-class logistic regression (Regresión logística de dos clases) - Two-class neural network (Red neuronal de dos clases) - Two-class support vector machine (Máquina de vectores compatible con dos clases)
Modelo: agrupación en clústeres	- K-means clustering (Agrupación en clústeres K-means)	- K-means clustering (Agrupación en clústeres K-means)
Modelo: regresión	- Bayesian linear regression (Regresión lineal bayesiana) - Boosted decision tree regression (Regresión de árbol de decisión incrementado) - Decision forest regression (Regresión de bosque de decisión) - Fast forest quantile regression (Regresión rápida de bosque por cuantiles) - Linear regression (Regresión lineal) - Neural network regression (Regresión de red neuronal) - Ordinal regression (Regresión ordinal) - Poisson regression (Regresión de Poisson)	- Boosted decision tree regression (Regresión de árbol de decisión incrementado) - Decision forest regression (Regresión de bosque de decisión) - Fast forest quantile regression (Regresión rápida de bosque por cuantiles) - Linear regression (Regresión lineal) - Neural network regression (Regresión de red neuronal) - Poisson regression (Regresión de Poisson)
Model – Anomaly detection (Modelo - Detección de anomalías)	- One-class SVM (SVM de una clase) - PCA-based anomaly detection (Detección de anomalías basada en PCA)	- PCA-based anomaly detection (Detección de anomalías basada en PCA)
Machine Learning – Evaluate (Aprendizaje automático - Evaluar)	- Cross validate model (Modelo de validación cruzada) - Evaluate model (Evaluar modelo) - Evaluate recommender (Evaluar recomendador)	- Cross validate model (Modelo de validación cruzada) - Evaluate model (Evaluar modelo) - Evaluate recommender (Evaluar recomendador)
Machine Learning – Train (Aprendizaje automático - Entrenar)	- Sweep clustering (Agrupación en clústeres de barrido) - Train anomaly detection model (Entrenar modelo de detección de anomalías) - Train clustering model (Entrenar modelo de agrupación en clústeres) - Train matchbox recommender (Entrenar un recomendador de Matchbox) Entrenamiento de un modelo - Tune model hyperparameters (Optimizar los hiperparámetros del modelo)	- Train anomaly detection model (Entrenar modelo de detección de anomalías) - Train clustering model (Entrenar modelo de agrupación en clústeres) - Train model (Entrenar modelo) - Train PyTorch model (Entrenamiento del modelo de PyTorch) - Train SVD recommender (Entrenar recomendador de SVD) - Train wide and deep recommender (Entrenamiento del recomendador ancho y profundo) - Tune model hyperparameters (Optimizar los hiperparámetros del modelo)
Machine Learning – Score (Aprendizaje automático - Puntuar)	- Apply transformation (Aplicar transformación) - Assign data to clusters (Asignar datos a clústeres) - Score matchbox recommender (Puntuar recomendador de Matchbox) - Score model (Puntuar modelo)	- Apply transformation (Aplicar transformación) - Assign data to clusters (Asignar datos a clústeres) - Score image model (Puntuar modelo de imagen) - Score model (Puntuar modelo) - Score SVD recommender (Puntuar recomendador de SVD) - Score wide and deep recommender (Puntuación del recomendador ancho y profundo)
Módulos de la biblioteca OpenCV	- Import images (Importar imágenes) - Pre-trained cascade image classification (Clasificación de imágenes en cascada previamente entrenada)
Módulos de lenguaje Python	Execute python script (Ejecutar script de Python)	Execute python script (Ejecutar script de Python) - Create python model (Crear modelo de Python)
Módulos del lenguaje R	- Execute R script (Ejecutar script R) - Create R model (Crear modelo R)	- Execute R script (Ejecutar script R)
Funciones estadísticas	- Apply math operation (Aplicar operación matemática) - Compute elementary statistics (Cálculo de estadísticas elementales) - Compute linear correlation (Cálculo de la correlación lineal) - Evaluate probability function (Evaluación de la función de probabilidad) - Replace discrete values (Reemplazar valores discretos) - Summarize data (Resumen de datos) - Test hypothesis using t-Test (Probar la hipótesis mediante una prueba T)	- Apply math operation (Aplicar operación matemática) - Summarize data (Resumen de datos)
\Análisis de texto	- Detect languages (Detección de idiomas) - Extract key phrases from text (Extraer frases clave del texto) - Extract N-gram features from text (Extracción de características de n-gramas de texto) - Feature hashing (Hash de características) - Latent dirichlet allocation (Asignación de Dirichlet latente) - Named entity recognition (Reconocimiento de entidades con nombre) - Preprocess text (Preprocesamiento de texto) - Score vVowpal Wabbit version 7-10 model (Puntuar un modelo de Vowpal Wabbit versión 7-10) - Score Vowpal Wabbit version 8 model (Puntuar un modelo de Vowpal Wabbit versión 8) - Train Vowpal Wabbit version 7-10 model (Entrenar un modelo de Vowpal Wabbit versión 7-10) - Train Vowpal Wabbit version 8 model (Entrenar un modelo de Vowpal Wabbit versión 8)	- Convert Word to vector (Conversión de palabra en vector) - Extract N-gram features from text (Extracción de características de n-gramas de texto) - Feature hashing (Hash de características) - Latent dirichlet allocation (Asignación de Dirichlet latente) - Preprocess text (Preprocesamiento de texto) - Score Vowpal Wabbit model (Puntuación del modelo de Vowpal Wabbit) - Train Vowpal Wabbit model (Entrenamiento del modelo de Vowpal Wabbit)
Serie temporal	- Time series anomaly detection (Detección de anomalías en una serie temporal)
Servicio web	- Input (Entrada) - Salida	- Input (Entrada) - Salida
Visión informática		- Apply image transformation (Aplicación de transformación de imagen) - Convert to image directory (Conversión al directorio de imagen) - Init image transformation (Transformación de imagen init) - Split image directory (División de directorio de imagen) - DenseNet image classification (Clasificación de imágenes DenseNet) - ResNet image classification (Clasificación de imágenes ResNet)