Apa itu Designer (v1) di Azure Pembelajaran Mesin?

Perancang Azure Pembelajaran Mesin adalah antarmuka seret dan letakkan yang digunakan untuk melatih dan menyebarkan model di studio Azure Pembelajaran Mesin. Artikel ini menjelaskan tugas yang dapat Anda lakukan di perancang.

Penting

Perancang di Azure Pembelajaran Mesin mendukung dua jenis alur yang menggunakan komponen bawaan klasik (v1) atau kustom (v2). Dua jenis komponen tidak kompatibel dalam alur, dan perancang v1 tidak kompatibel dengan CLI v2 dan SDK v2. Artikel ini berlaku untuk alur yang menggunakan komponen bawaan klasik (v1).

• Komponen bawaan klasik (v1) mencakup pemrosesan data umum dan tugas pembelajaran mesin seperti regresi dan klasifikasi. Azure Pembelajaran Mesin terus mendukung komponen bawaan klasik yang ada, tetapi tidak ada komponen bawaan baru yang ditambahkan. Selain itu, penyebaran komponen bawaan klasik (v1) tidak mendukung titik akhir online terkelola (v2).

• Komponen kustom (v2) memungkinkan Anda membungkus kode Anda sendiri sebagai komponen, memungkinkan berbagi di seluruh ruang kerja dan penulisan tanpa hambatan di seluruh antarmuka Studio Pembelajaran Mesin Azure, CLI v2, dan SDK v2. Yang terbaik adalah menggunakan komponen kustom untuk proyek baru, karena kompatibel dengan Azure Pembelajaran Mesin v2 dan terus menerima pembaruan baru. Untuk informasi selengkapnya tentang komponen kustom dan Perancang (v2), lihat Perancang Azure Pembelajaran Mesin (v2).

GIF animasi berikut menunjukkan bagaimana Anda dapat membangun alur secara visual di Designer dengan menyeret dan menghilangkan aset dan menghubungkannya.

Untuk mempelajari tentang komponen yang tersedia di perancang, lihat Algoritma dan referensi komponen. Untuk memulai perancang, lihat Tutorial: Melatih model regresi tanpa kode.

Pelatihan dan penyebaran model

Perancang menggunakan ruang kerja Azure Machine Learning untuk mengatur sumber daya bersama seperti:

• Pipelines
• Data
• Sumber daya komputasi
• Model terdaftar
• Pekerjaan alur yang diterbitkan
• Titik akhir real time

Diagram berikut ini menggambarkan bagaimana Anda dapat menggunakan perancang untuk membangun alur kerja pembelajaran mesin end-to-end. Anda dapat melatih, menguji, dan menyebarkan model, semuanya di antarmuka perancang.

• Seret dan letakkan aset dan komponen data ke kanvas visual perancang, dan sambungkan komponen untuk membuat draf alur.
• Kirim pekerjaan alur yang menggunakan sumber daya komputasi di ruang kerja Azure Pembelajaran Mesin Anda.
• Konversikan alur pelatihan menjadi alur inferensi.
• Terbitkan alur Anda ke titik akhir alur REST untuk mengirimkan alur baru yang berjalan dengan parameter dan aset data yang berbeda.
  • Terbitkan alur pelatihan untuk menggunakan kembali satu alur untuk melatih beberapa model sambil mengubah parameter dan aset data.
  • Terbitkan alur inferensi batch untuk membuat prediksi tentang data yang baru dengan menggunakan model terlatih.
• Menyebarkanalur inferensi real time ke titik akhir online untuk membuat prediksi pada data baru secara real time.

Data

Aset data pembelajaran mesin memudahkan untuk mengakses dan bekerja dengan data Anda. Perancang menyertakan beberapa contoh aset data untuk Anda eksperimen. Anda dapat mendaftarkan lebih banyak aset data saat Anda membutuhkannya.

Komponen

Komponen adalah algoritma yang dapat Anda jalankan pada data Anda. Perancang ini memiliki beberapa komponen, mulai dari fungsi ingress data, hingga proses pelatihan, penilaian, dan validasi.

Komponen dapat memiliki parameter yang Anda gunakan untuk mengonfigurasi algoritma internal komponen. Saat Anda memilih komponen di kanvas, parameter komponen dan pengaturan lainnya ditampilkan di panel properti di sebelah kanan kanvas. Anda dapat mengubah parameter dan mengatur sumber daya komputasi untuk komponen individual di panel tersebut.

Untuk informasi selengkapnya tentang pustaka algoritma pembelajaran mesin yang tersedia, lihat Algoritma dan referensi komponen. Untuk bantuan dalam memilih algoritma, lihat Referensi Cepat Algoritma Azure Machine Learning.

Pipelines

Alur terdiri dari aset data dan komponen analitik yang Anda sambungkan. Alur membantu Anda menggunakan kembali pekerjaan Anda dan mengatur proyek Anda.

Alur memiliki banyak kegunaan. Anda dapat membuat alur yang:

• Melatih satu model.
• Melatih beberapa model.
• Buat prediksi secara real time atau dalam batch.
• Bersihkan data saja.

Draf alur

Saat mengedit alur di perancang, progres Anda akan disimpan sebagai draf alur. Anda dapat mengedit draf alur kapan saja dengan menambahkan atau menghapus komponen, mengonfigurasi target komputasi, atau mengatur parameter.

Alur yang valid memiliki karakteristik berikut:

• Aset data hanya dapat terhubung ke komponen.
• Komponen hanya dapat terhubung ke aset data atau ke komponen lain.
• Semua port input untuk komponen harus memiliki beberapa koneksi ke aliran data.
• Semua parameter yang diperlukan untuk setiap komponen harus ditetapkan.

Saat Anda siap untuk menjalankan draf alur, Anda menyimpan alur dan mengirimkan pekerjaan alur.

Pekerjaan alur

Setiap kali Anda menjalankan alur, konfigurasi alur dan hasilnya disimpan di ruang kerja Anda sebagai pekerjaan alur. Pekerjaan alur dikelompokkan ke dalam eksperimen untuk mengatur riwayat pekerjaan.

Anda dapat kembali ke pekerjaan alur apa pun untuk memeriksanya untuk pemecahan masalah atau audit. Kloning pekerjaan alur untuk membuat draf alur baru untuk diedit.

Sumber daya komputasi

Target komputasi dilampirkan ke ruang kerja Azure Pembelajaran Mesin Anda di studio Azure Pembelajaran Mesin. Gunakan sumber daya komputasi dari ruang kerja Anda untuk menjalankan alur dan menghosting model yang Anda sebarkan sebagai titik akhir online atau sebagai titik akhir alur untuk inferensi batch. Target komputasi yang didukung adalah sebagai berikut:

Target komputasi	Pelatihan	Penyebaran
Komputasi Azure Machine Learning	✓
Azure Kubernetes Service (AKS)		✓

Sebarkan

Untuk melakukan inferensi real time, Anda harus menyebarkan alur sebagai titik akhir online. Titik akhir online membuat antarmuka antara aplikasi eksternal dan model penilaian Anda. Titik akhir didasarkan pada REST, pilihan arsitektur populer untuk proyek pemrograman web. Panggilan ke titik akhir online menampilkan hasil prediksi ke aplikasi secara real time.

Untuk melakukan panggilan ke titik akhir online, Anda akan meneruskan kunci API yang dibuat saat menyebarkan titik akhir. Titik akhir online harus disebarkan ke kluster AKS. Untuk mempelajari cara menyebarkan model Anda, lihat Tutorial: Menyebarkan model pembelajaran mesin dengan perancang.

Terbitkan

Anda juga dapat menerbitkan alur ke titik akhir alur. Mirip dengan titik akhir online, titik akhir alur memungkinkan Anda mengirimkan pekerjaan alur baru dari aplikasi eksternal dengan menggunakan panggilan REST. Namun, Anda tidak dapat mengirim atau menerima data secara real time dengan menggunakan titik akhir alur.

Titik akhir alur yang diterbitkan fleksibel dan dapat digunakan untuk melatih atau melatih kembali model, melakukan inferensi batch, atau memproses data baru. Anda dapat menerbitkan beberapa alur ke satu titik akhir alur dan menentukan versi alur mana yang akan dijalankan.

Alur yang diterbitkan akan berjalan pada sumber daya komputasi yang Anda tentukan dalam draf alur untuk setiap komponen. Perancang membuat objek PublishedPipeline yang sama dengan SDK.

Konten terkait

• Pelajari dasar-dasar analitik prediktif dan pembelajaran mesin dengan Tutorial: Memprediksi harga mobil dengan perancang.
• Pelajari cara mengubah sampel perancang agar sesuai dengan kebutuhan Anda.