Quand utiliser Azure Machine Learning
Avec la polyvalence et la simplicité d’utilisation d’Azure Machine Learning, les utilisateurs découvrent sans cesse de nouvelles applications. Ici, nous allons mettre en pratique certains des avantages d’Azure Machine Learning. De cette manière, vous pourrez utiliser ces fonctions dans votre prochaine application ou votre prochain scénario.
Travailler en équipe
Le travail collaboratif est possible dans Azure Machine Learning en ajoutant plusieurs utilisateurs à un espace de travail. Si vous avez besoin d’un contrôle plus précis, vous pouvez utiliser lecontrôle d’accès en fonction du rôle (RBAC) pour donner des rôles aux membres de l’équipe afin de définir l’accès et le contrôle des ressources au sein de l’espace de travail. Une fois que les membres de l’équipe ont accès à l’espace de travail, ils peuvent contribuer aux projets d’étiquetage des données ou travailler conjointement pour ajouter et nettoyer des données, ou pour entraîner et déployer des modèles.
Les utilisateurs peuvent également travailler en collaboration à l’aide des Jupyter Notebooks intégrés pour partager des idées et du code. Les modifications et contributions de chaque membre sont consignées dans les notebooks et un historique de révision complet est conservé. Les notebooks autorisent également l’accès simultané, de sorte que plusieurs membres peuvent discuter et procéder à des modifications ensemble, tout en suivant les modifications apportées par les autres collaborateurs.
MLOps
Azure Machine Learning utilise les principes de l’approche MLOps pour gérer et accélérer le cycle de vie de vos modèles, tout en améliorant la qualité de vos solutions de Machine Learning. Ces principes sont utiles, quelle que soit la taille de votre équipe, car ils peuvent réduire considérablement le délai entre la formation et le déploiement et mettre en évidence les problèmes au sein de votre jeu de données et de vos modèles. Une fois que vos modèles sont déployés, vous pouvez facilement analyser les applications de Machine Learning pour identifier les problèmes opérationnels et liés au ML, y compris sur votre infrastructure Machine Learning. À l’aide de ces outils, vous pouvez vous assurer que les performances de vos modèles restent cohérentes et que vos applications sont stables.
ML responsable
Les fonctionnalités d’Azure Machine Learning et les outils pris en charge améliorent l’intelligibilité et la supervision de vos modèles, ce qui vous permet de créer des solutions d’intelligence artificielle. La transparence du modèle est obtenue via les outils d’interprétation du kit de développement logiciel (SDK), en mettant en évidence des fonctionnalités ou des métriques importantes susceptibles d’affecter le comportement du système. La gestion des événements de cycle de vie de modèle peut être effectuée de plusieurs façons. Azure Machine Learning studio offre une visualisation intuitive des données, tandis que les journaux et les métriques peuvent être suivis et consultés par le biais du portail Azure, du SDK et de l’extension CLI. Si vous souhaitez une journalisation et un monitoring plus détaillés, Azure Monitor, MLflow et d’autres services peuvent être intégrés afin d’obtenir des outils approfondis pour monitorer et analyser l’entraînement des modèles.
Azure Machine Learning aide également à protéger les personnes et leurs données en intégrant des outils de confidentialité différentiels tels que SmartNoise pour protéger les données sensibles et éviter les fuites. Azure Machine Learning prend aussi en charge le chiffrement Microsoft SEAL pour préserver la confidentialité des informations privées, même des équipes utilisant les données. De plus, les fonctionnalités MLOps offrent plus de contrôle sur le cycle de vie ML de bout en bout avec les outils et la journalisation des données de gouvernance, ainsi qu’une infrastructure de sécurité robuste
Prédictions et prévisions en cours
Le grand nombre d’algorithmes et leurs utilisations potentielles signifient que presque tous les secteurs d’activité peuvent déployer des modèles qui aideront à améliorer la productivité, à mettre en lumière les nouveaux clients et à mieux servir ceux existants. Les algorithmes les plus utilisés sont la régression, la classification et les prévisions de série chronologique. Ces algorithmes peuvent prédire des catégories cibles, rechercher des points de données inhabituels, prédire des valeurs et détecter des similarités. La modélisation des données peut aider les entreprises à trouver leur prochain emplacement de stockage ou à localiser des zones au sein d’une usine qui nécessitent probablement une maintenance pour éviter qu’un problème ne survienne. Dans nos vies quotidiennes, la création de rapports météorologiques s’appuie fortement sur ces modèles pour prédire la météo ou la trajectoire des tempêtes, ce qui permet aux gens de se préparer. Avec Azure Machine Learning, ces différents modèles peuvent être créés rapidement. Si vous ne savez pas quel modèle convient à vos données, vous pouvez utiliser AutoML pour tester, entraîner et suggérer le modèle le plus approprié.
Intégration avec d’autres services Azure
Azure Machine Learning intègre de nombreux services et outils Azure pour répondre à vos besoins spécifiques. Azure Container Registry et Azure Container Instances sont des solutions intéressantes pour la création, le déploiement et la gestion rapides de modèles pouvant fonctionner dans des conteneurs isolés. Citons notamment les applications simples, l’automatisation des tâches et les tâches de création. Pour un monitoring et des journaux d’événements plus approfondis, Azure Machine Learning peut se connecter à Azure Monitor afin de proposer un service de monitoring complet. Azure Monitor peut effectuer des diagnostics profonds et résoudre les problèmes au sein de vos jeux de données et modèles déployés, en vous indiquant comment ils fonctionnent et les ressources qu’ils consomment.
Pour obtenir des informations encore plus récentes sur vos pipelines et modèles, l’intégration d’Azure Event Grid peut être optimale. Azure Event Grid est un service d’ingestion d’événements qui peut alerter et automatiser les réponses aux modifications apportées aux systèmes qu’il analyse. Vous pouvez l’utiliser si vous avez besoin d’une gestion étendue ou automatisée des workflows de pipeline ou de gérer les événements dans les modèles déployés. Les utilisateurs peuvent produire des applications réactives qui peuvent répondre ou vous alerter en cas de modifications dans le modèle sous-jacent. Cette fonctionnalité peut être particulièrement utile si vous souhaitez déclencher un pipeline lorsqu’une dérive de données est détectée ou recevoir une alerte par e-mail lorsqu’un événement se produit.