Modèle d’entraînement d’un modèle Machine Learning en périphérie

Générez des modèles Machine Learning portables (ML) à partir de données qui existent uniquement localement.

Contexte et problème

De nombreuses organisations aimeraient découvrir des analyses à partir de leurs données sur site ou héritées à l’aide d’outils maîtrisés par leurs data scientists. azure Machine Learning fournit des outils natifs cloud pour entraîner, paramétrer et déployer des modèles ML et Deep Learning.

Toutefois, certaines données sont trop volumineuses envoyées au cloud ou ne peuvent pas être envoyées au cloud pour des raisons réglementaires. Avec ce modèle, les scientifiques des données peuvent utiliser Azure Machine Learning pour entraîner des modèles à l’aide de données et de calcul locales.

Solution

L’entraînement au modèle de périphérie utilise une machine virtuelle s’exécutant sur Azure Stack Hub. La machine virtuelle est inscrite en tant que cible de calcul dans Azure Machine Learning, ce qui lui permet d’accéder aux données uniquement disponibles localement. Dans ce cas, les données sont stockées dans le stockage d’objets blob d’Azure Stack Hub.

Une fois le modèle entraîné, il est inscrit auprès d’Azure Machine Learning, conteneurisé et ajouté à un Registre de conteneurs Azure pour le déploiement. Pour cette itération du modèle, la machine virtuelle d’entraînement Azure Stack Hub doit être accessible via l’Internet public.

Voici comment fonctionne le modèle :

1. La machine virtuelle Azure Stack Hub est déployée et inscrite en tant que cible de calcul auprès d’Azure Machine Learning.
2. Une expérience est créée dans Azure Machine Learning qui utilise la machine virtuelle Azure Stack Hub comme cible de calcul.
3. Au terme de son entraînement, le modèle est inscrit et conteneurisé.
4. Le modèle peut maintenant être déployé sur des emplacements locaux ou dans le cloud.

Composants

Cette solution utilise les composants suivants :

Couche	Composant	Descriptif
Azur	Azure Machine Learning	Azure Machine Learning orchestre l’entraînement du modèle ML.
	Registre de conteneurs Azure	Azure Machine Learning empaquette le modèle dans un conteneur et le stocke dans azure Container Registry pour le déploiement.
Azure Stack Hub	Service d'application	Azure Stack Hub avec App Service fournit la base des composants à la périphérie.
	Calcul	Une machine virtuelle Azure Stack Hub exécutant Ubuntu avec Docker est utilisée pour entraîner le modèle ML.
	Stockage	Les données privées peuvent être hébergées dans le stockage blob d'Azure Stack Hub.

Problèmes et considérations

Tenez compte des points suivants lors de la décision d’implémenter cette solution :

Extensibilité

Pour permettre à cette solution de mettre à l’échelle, vous devez créer une machine virtuelle de taille appropriée sur Azure Stack Hub pour la formation.

Disponibilité

Vérifiez que les scripts d’entraînement et la machine virtuelle Azure Stack Hub ont accès aux données locales utilisées pour l’entraînement.

Gérabilité

Assurez-vous que les modèles et les expériences sont correctement inscrits, versionnés et étiquetés pour éviter toute confusion pendant le déploiement du modèle.

Sécurité

Ce modèle permet à Azure Machine Learning d’accéder aux données sensibles possibles localement. Vérifiez que le compte utilisé pour SSH dans une machine virtuelle Azure Stack Hub dispose d’un mot de passe fort et que les scripts d’entraînement ne conservent pas ou ne chargent pas de données dans le cloud.

Étapes suivantes

Pour en savoir plus sur les rubriques présentées dans cet article :

• Consultez la documentation Azure Machine Learning pour obtenir une vue d’ensemble du ML et des rubriques connexes.
• Consultez azure Container Registry pour découvrir comment créer, stocker et gérer des images pour les déploiements de conteneurs.
• Reportez-vous à App Service sur Azure Stack Hub pour en savoir plus sur le fournisseur de ressources et sur le déploiement.
• Consultez la famille de produits et de solutions Azure Stack pour en savoir plus sur l’ensemble du portefeuille de produits et de solutions.

Lorsque vous êtes prêt à tester l'exemple de solution, poursuivez avec le Guide de déploiement consacré à l'apprentissage d'un modèle ML en périphérie. Le guide de déploiement fournit des instructions pas à pas pour déployer et tester ses composants.