Bagaimana model Machine Learning Studio (klasik) berkembang dari eksperimen ke layanan Web

BERLAKU UNTUK:Pembelajaran Mesin Studio (klasik) Azure Pembelajaran Mesin

Penting

Dukungan untuk Studio Azure Machine Learning (klasik) akan berakhir pada 31 Agustus 2024. Sebaiknya Anda transisi ke Azure Machine Learning sebelum tanggal tersebut.

Mulai 1 Desember 2021, Anda tidak akan dapat membuat sumber daya Studio Azure Machine Learning (klasik) baru. Hingga 31 Agustus 2024, Anda dapat terus menggunakan sumber daya Pembelajaran Mesin Studio (klasik) yang ada.

• Lihat informasi tentang memindahkan proyek pembelajaran mesin dari ML Studio (klasik) ke Azure Machine Learning.
• Pelajari Azure Machine Learning

ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.

Machine Learning Studio (klasik) menyediakan kanvas interaktif yang memungkinkan Anda mengembangkan, menjalankan, menguji, dan mengulangi eksperimen yang mewakili model analisis prediktif. Tersedia berbagai macam modul yang dapat:

• Input data ke eksperimen Anda
• Manipulasi data
• Latih model menggunakan algoritme pembelajaran mesin
• Nilai model
• Evaluasi hasil
• Nilai akhir keluaran

Setelah puas dengan eksperimen, Anda dapat menerapkannya sebagai layanan Web Machine Learning (klasik) atau layanan Web Azure Machine Learning sehingga pengguna dapat mengirimnya data baru dan menerima kembali hasil.

Dalam artikel ini, kami memberikan gambaran umum tentang mekanisme perkembangan model Azure Machine Learning Anda dari eksperimen pengembangan ke layanan Web yang dioperasionalkan.

Catatan

Ada cara lain untuk mengembangkan dan menyebarkan model pembelajaran mesin, tetapi artikel ini berfokus pada cara Anda menggunakan Azure Machine Learning Studio (klasik). Misalnya, untuk membaca deskripsi tentang cara membuat layanan Web prediktif klasik dengan R, lihat posting blog Bangun & Sebarkan Web Apps Menggunakan RStudio dan studio Azure Machine Learning.

Meskipun Studio Pembelajaran Mesin (klasik) dirancang untuk membantu Anda mengembangkan dan menyebarkanmodel analisis prediktif, Anda dapat menggunakan Studio (klasik) untuk mengembangkan eksperimen yang tidak menyertakan model analisis prediktif. Misalnya, eksperimen mungkin hanya memasukkan data, memanipulasinya, lalu menampilkan hasilnya. Sama seperti eksperimen analisis prediktif, Anda dapat menerapkan eksperimen non-prediktif ini sebagai layanan Web, tetapi proses ini lebih sederhana karena eksperimen tidak melatih atau menilai model pembelajaran mesin. Meskipun bukan tipikal untuk menggunakan Studio (klasik) dengan cara ini, kami akan memasukkannya dalam diskusi sehingga kami dapat memberikan penjelasan lengkap tentang cara kerja Studio (klasik).

Mengembangkan dan menyebarkan layanan Web prediktif

Berikut tahapan yang diikuti oleh solusi umum saat Anda mengembangkan dan menyebarkannya menggunakan Azure Machine Learning Studio (klasik):

Gambar 1 - Tahapan model analisis prediktif umum

Eksperimen pelatihan

Eksperimen pelatihan adalah fase awal pengembangan layanan Web Anda di Machine Learning Studio (klasik). Tujuan dari eksperimen pelatihan adalah memberikan Anda tempat untuk mengembangkan, menguji, mengulangi, dan pada akhirnya melatih model pembelajaran mesin. Anda bahkan dapat melatih beberapa model secara bersamaan saat Anda mencari solusi terbaik, tetapi setelah selesai bereksperimen, Anda harus memilih satu model terlatih dan menghapus sisanya dari eksperimen. Untuk contoh pengembangan eksperimen analisis prediktif, lihat Mengembangkan solusi analitik prediktif untuk penilaian risiko kredit di Studio Pembelajaran Mesin (klasik).

Eksperimen prediktif

Setelah Anda memiliki model terlatih dalam eksperimen pelatihan Anda, klik Siapkan Layanan Web dan pilih Prediktif Layanan Web di Azure Machine Learning Studio (klasik) untuk memulai proses konversi eksperimen pelatihan Anda ke eksperimen prediktif. Tujuan dari eksperimen prediktif adalah menggunakan model terlatih Anda untuk menghasilkan data baru, dengan tujuan akhirnya menjadi dioperasionalkan sebagai layanan Azure Web.

Konversi ini dapat Anda selesaikan melalui langkah-langkah berikut:

• Konversikan serangkaian modul yang digunakan untuk pelatihan menjadi satu modul dan simpan sebagai model terlatih
• Hilangkan modul asing yang tidak terkait dengan penilaian
• Tambahkan port input dan output yang akhirnya akan digunakan layanan Web

Mungkin ada lebih banyak perubahan yang ingin Anda lakukan untuk menyiapkan eksperimen prediktif untuk disebarkan sebagai layanan Web. Misalnya, jika Anda ingin layanan Web hanya menghasilkan subset hasil, Anda dapat menambahkan modul pemfilteran sebelum port output.

Dalam proses konversi ini, eksperimen pelatihan tidak dibuang. Setelah proses selesai, Anda memiliki dua tab di Studio (klasik): satu untuk eksperimen pelatihan dan satu untuk eksperimen prediktif. Dengan cara ini Anda dapat membuat perubahan pada eksperimen pelatihan sebelum menyebarkan layanan Web Anda dan membangun kembali eksperimen prediktif. Atau Anda dapat menyimpan salinan eksperimen pelatihan untuk memulai lini eksperimen lain.

Catatan

Ketika Anda mengklik Layanan Web Prediktif, Anda memulai proses otomatis untuk mengonversi eksperimen pelatihan Anda menjadi eksperimen prediktif, dan hal ini sering kali berfungsi dengan baik. Jika eksperimen pelatihan Anda rumit (misalnya, Anda memiliki beberapa jalur untuk pelatihan yang Anda ikuti bersama), Anda mungkin lebih suka melakukan konversi ini secara manual. Untuk informasi selengkapnya, lihat Cara mempersiapkan model Anda untuk penyebaran di Studio Pembelajaran Mesin (klasik).

Layanan web

Setelah puas bahwa eksperimen prediktif Anda sudah siap, Anda dapat menyebarkan layanan Anda sebagai layanan Web Klasik atau layanan Web Baru berdasarkan Azure Resource Manager. Untuk mengoperasionalkan model Anda dengan menyebarkannya sebagai layanan Web Machine Learning Klasik, klik Sebarkan Layanan Web dan pilih Terapkan Layanan Web [Klasik]. Untuk menyebarkan sebagai layanan Web Machine Learning Baru,klik Terapkan Layanan Web dan pilih Terapkan Layanan Web [Baru]. Pengguna sekarang dapat mengirim data ke model Anda menggunakan API REST layanan Web dan menerima kembali hasilnya. Untuk informasi selengkapnya, lihat Cara menggunakan layanan Web Azure Machine Learning.

Kasus tidak umum: membuat layanan Web non-prediktif

Jika eksperimen Anda tidak melatih model analisis prediktif, maka Anda tidak perlu membuat eksperimen pelatihan dan eksperimen penilaian - hanya ada satu eksperimen, dan Anda dapat menyebarkannya sebagai layanan Web. Azure Machine Learning Studio (klasik) mendeteksi apakah eksperimen Anda berisi model prediktif dengan menganalisis modul yang telah Anda gunakan.

Setelah Anda melakukan iterasi pada eksperimen Anda dan puas dengan hasilnya:

1. Klik Siapkan Layanan Web dan pilih Latih Ulang Layanan Web - node input dan output ditambahkan secara otomatis
2. Klik Jalankan
3. Klik Terapkan Layanan Web dan pilih Terapkan Layanan Web [Klasik] atau Terapkan Layanan Web [Baru] tergantung pada lingkungan yang ingin Anda sebarkan.

Layanan Web Anda sekarang disebarkan, kemudian Anda dapat mengakses dan mengelolanya seperti layanan Web prediktif.

Menggunakan layanan web Anda

Setelah Anda menyebarkan eksperimen sebagai layanan Web, bagaimana jika Anda perlu memperbaruinya?

Hal ini tergantung pada apa yang perlu Anda perbarui:

Anda ingin mengubah input atau output, atau Anda ingin mengubah cara layanan Web memanipulasi data

Jika Anda tidak mengubah model, tetapi hanya mengubah cara layanan Web menangani data, Anda dapat mengedit eksperimen prediktif lalu klik Sebarkan Layanan Web dan pilih Sebarkan Layanan Web [Klasik] atau Sebarkan Layanan Web [Baru] lagi. Layanan Web dihentikan, eksperimen prediktif yang diperbarui disebarkan, dan layanan Web dimulai ulang.

Berikut contohnya: Misalkan eksperimen prediktif Anda mengembalikan seluruh baris data input dengan hasil yang diprediksi. Anda dapat memutuskan bahwa Anda ingin layanan Web mengembalikan hasilnya. Jadi Anda dapat menambahkan modul Kolom Proyek dalam eksperimen prediktif, tepat sebelum port output, untuk mengecualikan kolom, bukan hasilnya. Saat Anda mengklik Sebarkan Layanan Web dan pilih Sebarkan Layanan Web [Klasik] atau Sebarkan Layanan Web [Baru] lagi, layanan Web diperbarui.

Anda ingin melatih kembali model dengan data baru

Jika Anda ingin mempertahankan model pembelajaran mesin Anda, tetapi ingin melatihnya kembali dengan data baru, ada dua pilihan:

1. Latih ulang model saat layanan Web berjalan - Jika Anda ingin melatih ulang model saat layanan Web prediktif berjalan, Anda dapat melakukannya dengan membuat beberapa modifikasi pada eksperimen pelatihan untuk menjadikannya eksperimen pelatihan ulang, lalu Anda dapat menyebarkannya sebagai layanan pelatihan ulang web. Untuk petunjuk tentang cara melakukannya, lihat Melatih ulang model Azure Machine Learning secara terprogram.

2. Kembali ke eksperimen pelatihan asli dan gunakan data pelatihan yang berbeda untuk mengembangkan model Anda - Eksperimen prediktif Anda ditautkan dengan layanan Web, tetapi eksperimen pelatihan tidak secara langsung ditautkan dengan cara ini. Jika Anda memodifikasi eksperimen pelatihan asli dan mengklik Siapkan Layanan Web, eksperimen prediktif baru akan dibuat, yang bila disebarkan, akan membuat layanan Web baru. Hal ini tidak hanya memperbarui layanan Web asli.

   Jika Anda perlu mengubah eksperimen pelatihan, buka dan klik Simpan Sebagai untuk membuat salinan. Hal ini akan mempertahankan eksperimen pelatihan asli, eksperimen prediktif, dan layanan Web. Sekarang Anda bisa membuat layanan Web baru dengan perubahan Anda. Setelah menyebarkan layanan Web baru, Anda dapat memutuskan apakah akan menghentikan layanan Web sebelumnya atau tetap menggunakan yang baru.

Anda ingin melatih model yang berbeda

Jika Anda ingin membuat perubahan pada eksperimen prediktif asli, seperti memilih algoritma pembelajaran mesin yang berbeda, mencoba metode pelatihan yang berbeda, dll., maka Anda perlu mengikuti prosedur kedua yang dijelaskan di atas untuk melatih kembali model Anda: buka eksperimen pelatihan, klik Simpan Sebagai untuk membuat salinan, kemudian mulai jalur baru untuk mengembangkan model Anda, membuat eksperimen prediktif, dan menyebarkan layanan web. Hal ini akan membuat layanan Web baru yang tidak ditautkan dengan yang asli - Anda dapat memutuskan mana, atau keduanya, yang akan terus digunakan.

Langkah berikutnya

Untuk detail selengkapnya tentang proses pengembangan dan eksperimen, lihat artikel berikut ini:

• mengonversi eksperimen - Cara mempersiapkan model Anda untuk penyebaran di Studio Pembelajaran Mesin (klasik)
• menyebarkan layanan Web - Sebarkan layanan web Pembelajaran Mesin
• melatih ulang model - Melatih ulang model Azure Machine Learning secara terprogram

Untuk melihat contoh seluruh proses, buka:

• Tutorial pembelajaran mesin: Buat eksperimen pertama Anda di Studio Pembelajaran Mesin (klasik)
• Panduan: Kembangkan solusi analitik prediktif untuk penilaian risiko kredit di Studio Pembelajaran Mesin (klasik)