Mi az Azure Machine Learning?

Az Azure Machine Learning egy felhőalapú szolgáltatás a gépi tanulási projekt életciklusának felgyorsítására és kezelésére. A gépi tanulási szakemberek, adattudósok és mérnökök napi munkafolyamataikban használhatják: Modellek betanítása és üzembe helyezése, valamint MLOp-k kezelése.

Létrehozhat egy modellt az Azure Machine Learningben, vagy használhat nyílt forráskódú platformból (például Pytorch, TensorFlow vagy scikit-learn) készült modellt. Az MLOps-eszközök segítenek a modellek monitorozásában, újratanításában és újbóli üzembe helyezésében.

Tipp

Ingyenes próbaverzió! Ha nem rendelkezik Azure-előfizetéssel, a kezdés előtt hozzon létre egy ingyenes fiókot. Próbálja ki az Azure Machine Learning ingyenes vagy fizetős verzióját. Azure-szolgáltatásokra elkölthető krediteket kap. A kreditek felhasználása után megtarthatja a fiókját, és tovább használhatja azt az ingyenes Azure-szolgáltatásokkal. A bankkártyáját semmilyen költség nem terheli, hacsak Ön kifejezetten nem módosítja beállításait ennek engedélyezéséhez.

Kinek való az Azure Machine Learning?

Az Azure Machine Learning az MLOps szervezeten belüli implementálását végző egyének és csapatok számára készült, hogy a gépi tanulási modelleket biztonságos és auditálható éles környezetben hozzák éles környezetbe.

Az adattudósok és az ml-mérnökök olyan eszközöket találnak, amelyekkel felgyorsíthatják és automatizálhatják a mindennapi munkafolyamatokat. Az alkalmazásfejlesztők eszközöket találnak a modellek alkalmazásokba vagy szolgáltatásokba való integrálásához. A platformfejlesztők robusztus, tartós Azure Resource Manager API-k által támogatott eszközöket találnak a fejlett gépi tanulási eszközök létrehozásához.

A Microsoft Azure-felhőben dolgozó vállalatok ismerős biztonsági és szerepköralapú hozzáférés-vezérlést (RBAC) találnak az infrastruktúrához. Beállíthat egy projektet, amely megtagadja a védett adatokhoz való hozzáférést, és kiválasztja a műveleteket.

Hatékonyság a csapat minden tagja számára

A gépi tanulási projektekhez gyakran szükség van egy változatos képességekkel rendelkező csapatra a létrehozáshoz és a karbantartáshoz. Az Azure Machine Learning olyan eszközökkel rendelkezik, amelyekkel a következőket teheti:

  • Közös munka a csapattal megosztott jegyzetfüzetek, számítási erőforrások, adatok és környezetek használatával

  • Modellek kidolgozása a méltányosság és a magyarázhatóság, a nyomon követés és az auditálás érdekében az életútra és az auditálásra vonatkozó megfelelőségi követelmények teljesítéséhez

  • Ml-modellek gyors és egyszerű üzembe helyezése nagy léptékben, és az MLOps segítségével hatékonyan kezelheti és szabályozhatja őket

  • Gépi tanulási számítási feladatok futtatása bárhol, beépített irányítással, biztonsággal és megfelelőséggel

Az igényeinek megfelelő, többkompatibilis platformeszközök

Az ML-csapat tagjai az előnyben részesített eszközeikkel elvégezhetik a feladatot. Akár gyors kísérleteket, hiperparaméter-finomhangolást, folyamatépítést vagy következtetéskezelést futtat, használhat ismerős interfészeket, például:

Miközben finomítja a modellt, és együttműködik másokkal a Machine Learning fejlesztési ciklusának hátralévő részében, megoszthatja és megtalálhatja a projektek eszközeit, erőforrásait és metrikáit a Azure Machine Learning stúdió felhasználói felületén.

Studio

A Azure Machine Learning stúdió több szerzői élményt is kínál a projekt típusától és a korábbi gépi tanulási élmény szintjétől függően anélkül, hogy bármit is telepítenie kellene.

  • Jegyzetfüzetek: saját kódot írhat és futtathat felügyelt Jupyter Notebook kiszolgálókon, amelyek közvetlenül integrálva vannak a studióban.

  • Futtatási metrikák vizualizációja: a kísérletek elemzése és optimalizálása vizualizációval.

    Képernyőkép egy betanítási futtatás metrikáiról.

  • Azure Machine Learning-tervező: a tervező használatával kód írása nélkül taníthat be és helyezhet üzembe gépi tanulási modelleket. Az adatkészletek és összetevők húzásával ml-folyamatokat hozhat létre. Próbálja ki a tervezői oktatóanyagot.

  • Automatizált gépi tanulási felhasználói felület: Megtudhatja, hogyan hozhat létre automatizált gépi tanulási kísérleteket egy könnyen használható felülettel.

  • Adatcímkézés: Az Azure Machine Learning-adatcímkézés használatával hatékonyan koordinálhatja a képfeliratozási vagy szövegcímkézési projekteket .

Nagyvállalati felkészültség és biztonság

Az Azure Machine Learning integrálható az Azure-felhőplatformmal, hogy biztonságot adjon az ML-projektekhez.

A biztonsági integrációk a következők:

  • Azure-beli virtuális hálózatok (VNetek) hálózati biztonsági csoportokkal
  • Az Azure Key Vault, ahol biztonsági titkos kulcsokat menthet, például a tárfiókok hozzáférési adatait
  • virtuális hálózat mögötti Azure Container Registry

Lásd : Oktatóanyag: Biztonságos munkaterület beállítása.

Azure-integrációk a teljes megoldásokhoz

Az Azure-szolgáltatásokkal való egyéb integrációk támogatják a gépi tanulási projekteket a végpontok között. Ezek közé tartoznak például az alábbiak:

  • Azure Synapse Analytics az adatok feldolgozásához és streameléséhez a Sparkkal
  • Azure Arc, ahol Azure-szolgáltatásokat futtathat Kubernetes-környezetben
  • Tárolási és adatbázis-beállítások, például Azure SQL Database, Azure Storage-blobok stb.
  • Azure App Service lehetővé teszi az ML-alapú alkalmazások üzembe helyezését és kezelését

Fontos

Az Azure Machine Learning nem tárolja vagy dolgozza fel az adatokat azon a régión kívül, ahol üzembe helyezi.

Gépi tanulási projekt munkafolyamata

A modelleket általában egy célokkal és célokkal rendelkező projekt részeként fejlesztik ki. A projektek gyakran több személyt is érintenek. Ha adatokkal, algoritmusokkal és modellekkel kísérletezik, a fejlesztés iteratív.

Projekt életciklusa

Bár a projekt életciklusa projektenként változhat, gyakran így fog kinézni:

Gépi tanulási projekt életciklusának diagramja

A munkaterületek rendszereznek egy projektet, és lehetővé teszik az együttműködést számos olyan felhasználó számára, aki közös cél érdekében dolgozik. A munkaterület felhasználói egyszerűen megoszthatják a próbafuttatások eredményeit a studio felhasználói felületén, vagy verziószámozott objektumokat használhatnak olyan feladatokhoz, mint a környezetek és a tárhivatkozások.

További információ: Azure Machine Learning-munkaterületek kezelése.

Ha egy projekt készen áll az üzembe helyezésre, a felhasználók munkája automatizálható egy gépi tanulási folyamatban, és ütemezés vagy HTTPS-kérés alapján aktiválható.

A modellek üzembe helyezhetők a felügyelt következtetési megoldásban a valós idejű és a kötegelt üzemelő példányok esetében is, így a modellek üzembe helyezéséhez általában szükséges infrastruktúra-kezelést absztrakcióval oldják meg.

Modellek betanítása

Az Azure Machine Learningben futtathatja a betanítási szkriptet a felhőben, vagy létrehozhat egy modellt az alapoktól. Az ügyfelek gyakran hoznak létre és tanítanak be nyílt forráskódú keretrendszerekben létrehozott és betanított modelleket, így üzembe helyezhetik őket a felhőben.

Nyitott és interoperábilis

Az adatelemzők olyan modelleket használhatnak az Azure Machine Learningben, amelyeket közös Python-keretrendszerekben hoztak létre, például:

  • PyTorch
  • TensorFlow
  • scikit-learn
  • XGBoost
  • LightGBM

Más nyelvek és keretrendszerek is támogatottak, beleértve a következőket:

  • R
  • .NET

Lásd: Nyílt forráskódú integráció az Azure Machine Learningdel.

Automatizált featurizáció és algoritmusok kiválasztása (AutoML)

Egy ismétlődő, időigényes folyamat során a klasszikus gépi tanulásban az adattudósok előzetes tapasztalatot és intuíciót használnak a megfelelő adat featurizáció és algoritmus kiválasztásához a betanításhoz. Az automatizált gépi tanulás (AutoML) felgyorsítja ezt a folyamatot, és a studio felhasználói felületén vagy a Python SDK-on keresztül használható.

Lásd : Mi az az automatizált gépi tanulás?

Hiperparaméter-optimalizálás

A hiperparaméterek optimalizálása vagy a hiperparaméterek finomhangolása fárasztó feladat lehet. Az Azure Machine Learning automatizálhatja ezt a feladatot tetszőleges paraméteres parancsok esetében, a feladatdefiníció kis módosításával. Az eredmények a stúdióban jelennek meg.

Lásd : Hiperparaméterek hangolása.

Többcsomópontos elosztott betanítás

A mélytanulásra és néha a klasszikus gépi tanulási betanítási feladatokra vonatkozó képzés hatékonysága drasztikusan javítható többcsomópontos elosztott képzéssel. Az Azure Machine Learning számítási fürtöi a legújabb GPU-lehetőségeket kínálják.

Az Azure ML Kubernetes és az Azure ML számítási fürtökön keresztül támogatott:

  • PyTorch
  • TensorFlow
  • MPI

Az MPI-disztribúció horovod vagy egyéni többcsomópontos logikához használható. Emellett az Apache Spark Azure Synapse Analytics Spark-fürtökön (előzetes verzió) is támogatott.

Lásd: Elosztott betanítás az Azure Machine Learning használatával.

Kínosan párhuzamos betanítás

A gépi tanulási projektek skálázásához kínosan párhuzamos modellbetanításra lehet szükség. Ez a minta gyakori az olyan forgatókönyvek esetében, mint az előrejelzési igény, ahol egy modell számos üzletben betanításra kerülhet.

Modellek üzembe helyezése

A modell éles környezetben való üzembe helyezéséhez üzembe helyezve. Az Azure Machine Learning felügyelt végpontjai elvonják a szükséges infrastruktúrát a kötegelt vagy valós idejű (online) modell pontozásához (következtetés).

Valós idejű és kötegelt pontozás (következtetés)

A kötegelt pontozás vagy kötegelt következtetés magában foglalja egy végpont adathivatkozással történő meghívását. A kötegelt végpont aszinkron módon futtatja a feladatokat, hogy párhuzamosan dolgozza fel az adatokat a számítási fürtökön, és további elemzés céljából tárolja az adatokat.

A valós idejű pontozás vagy online következtetés magában foglalja egy végpont meghívását egy vagy több modelltelepítéssel, és közel valós időben kap választ HTTP-ken keresztül. A forgalom több üzemelő példányra osztható, ami lehetővé teszi az új modellverziók tesztelését azáltal, hogy kezdetben bizonyos mennyiségű forgalmat eltérít, és növeli az új modellbe vetett bizalmat.

Lásd:

MLOps: DevOps gépi tanuláshoz

A gépi tanulási modellekhez készült DevOps( más néven MLOps) az éles modellek fejlesztésének folyamata. A modell életciklusának a betanítástól az üzembe helyezésig naplózhatónak kell lennie, ha nem reprodukálható.

Ml-modell életciklusa

Gépi tanulási modell életciklusa * MLOps

További információ az MLOpsról az Azure Machine Learningben.

MLOP-ket engedélyező integrációk

Az Azure Machine Learning a modell életciklusát szem előtt tartva készült. A modell életciklusát egy adott véglegesítésig és környezetig naplózhatja.

Az MLOps engedélyezésének néhány fő funkciója a következők:

  • git Integráció
  • MLflow-integráció
  • Gépi tanulási folyamat ütemezése
  • Azure Event Grid integráció egyéni eseményindítókhoz
  • Könnyen használható OLYAN CI/CD-eszközökkel, mint a GitHub Actions vagy az Azure DevOps

Az Azure Machine Learning emellett monitorozási és naplózási funkciókat is tartalmaz:

  • Feladatösszetevők, például kód-pillanatképek, naplók és egyéb kimenetek
  • A feladatok és az eszközök, például a tárolók, az adatok és a számítási erőforrások közötti életút

Következő lépések

Az Azure Machine Learning használatának megkezdése: