Architettura di Azure Machine Learning

Questa architettura illustra i componenti usati per compilare, distribuire e gestire modelli di alta qualità con Azure Machine Learning, un servizio per il ciclo di vita di Machine Learning end-to-end.

Architettura

Scaricare un file di Visio di questa architettura.

Flusso di dati

1. Riunire tutti i dati strutturati, non strutturati e semistrutturati (log, file e supporti) in Azure Data Lake Archiviazione Gen2.
2. Usare Apache Spark in Azure Synapse Analytics per pulire, trasformare e analizzare i set di dati.
3. Creare ed eseguire il training di modelli di Machine Learning in Azure Machine Learning.
4. Controllare l'accesso e l'autenticazione per i dati e l'area di lavoro di Machine Learning con Microsoft Entra ID e Azure Key Vault. Gestire i contenitori con Registro Azure Container.
5. Distribuire il modello di Machine Learning in un contenitore usando servizio Azure Kubernetes, proteggere e gestire la distribuzione con le reti virtuali di Azure e Azure Load Balancer.
6. Usando le metriche dei log e il monitoraggio da Monitoraggio di Azure, valutare le prestazioni del modello.
7. Ripetere il training dei modelli in base alle esigenze in Azure Machine Learning.
8. Visualizzare gli output dei dati con Power BI.

Componenti

• Azure Machine Learning è un servizio di Machine Learning di livello aziendale per il ciclo di vita di Machine Learning end-to-end.
• Azure Synapse Analytics è un servizio unificato in cui è possibile inserire, esplorare, preparare, trasformare, gestire e gestire i dati per esigenze immediate di Business Intelligence e Machine Learning.
• Azure Data Lake Archiviazione Gen2 è un data lake altamente scalabile e sicuro per i carichi di lavoro di analisi ad alte prestazioni.
• Registro Azure Container è un registro di immagini Docker e Open Container Initiative (OCI), con supporto per tutti gli artefatti OCI. Crea, archivia, proteggi, analizza, replica e gestisce le immagini del contenitore e gli artefatti con un'istanza della distribuzione di OCI completamente gestita e con replica geografica.
• servizio Azure Kubernetes servizio Azure Kubernetes offre Kubernetes serverless, un'esperienza integrata di integrazione continua e recapito continuo (CI/CD) e la sicurezza e la governance di livello aziendale. Distribuisci e gestisci con maggiore facilità applicazioni containerizzate con un servizio Kubernetes completamente gestito.
• Monitoraggio di Azure consente di raccogliere, analizzare e agire sui dati di telemetria dagli ambienti Azure e locali. Monitoraggio di Azure ti permette di massimizzare le prestazioni e la disponibilità delle applicazioni e di identificare in modo proattivo i problemi in pochi secondi.
• Azure Key Vault protegge le chiavi crittografiche e altri segreti usati da app e servizi cloud.
• Azure Load Balancer bilancia il carico internet e il traffico di rete privata con prestazioni elevate e bassa latenza. Load Balancer può essere usato tra macchine virtuali, set di scalabilità di macchine virtuali e indirizzi IP.
• Power BI è un gruppo di strumenti di Analisi business che consente di distribuire informazioni dettagliate in tutta l'organizzazione. Connessione a centinaia di origini dati, semplificare la preparazione dei dati e guidare l'analisi non pianificata. Crea report d'impatto e quindi pubblicali per consentire all'organizzazione di utilizzarli sul Web e su dispositivi mobili.

Dettagli dello scenario

Creare, distribuire e gestire modelli di alta qualità con Azure Machine Learning, un servizio per il ciclo di vita di Machine Learning end-to-end. Usare MLOps leader del settore (operazioni di Machine Learning), interoperabilità open source e strumenti integrati in una piattaforma sicura e attendibile progettata per l'apprendimento automatico responsabile.

Potenziali casi d'uso

• Usare Machine Learning come servizio.
• Interfaccia di compilazione semplice e flessibile.
• Ampia gamma di algoritmi supportati.
• Implementazione semplice dei servizi Web.
• Documentazione ottimale per le soluzioni di Machine Learning.

Considerazioni

Queste considerazioni implementano i pilastri di Azure Well-Architected Framework, che è un set di set di principi guida che possono essere usati per migliorare la qualità di un carico di lavoro. Per altre informazioni, vedere Framework ben progettato di Microsoft Azure.

Ottimizzazione dei costi

L'ottimizzazione dei costi riguarda l'analisi dei modi per ridurre le spese non necessarie e migliorare l'efficienza operativa. Per altre informazioni, vedere Panoramica del pilastro di ottimizzazione dei costi.

• Ottenere stime dei prezzi

Collaboratori

Questo articolo viene gestito da Microsoft. Originariamente è stato scritto dai seguenti contributori.

Autori principali:

• Sheri Gilley | Sviluppatore di contenuti senior
• Larry Franks | Sviluppatore di contenuti
• Lauryn Gayhardt | Sviluppatore di contenuti
• Samantha Salgado | Sviluppatore di contenuti

Per visualizzare i profili LinkedIn non pubblici, accedere a LinkedIn.

Passaggi successivi

Vedere la documentazione per i servizi chiave in questa soluzione:

• Documentazione di Azure Machine Learning
• Documentazione di Azure Synapse Analytics
• Documentazione di Azure Data Lake Archiviazione Gen2
• Registro Azure Container documentazione
• Documentazione del servizio Azure Kubernetes
• Documentazione di Monitoraggio di Azure
• Documentazione su Azure Key Vault
• Documentazione di Azure Load Balancer
• Documentazione di Power BI

Risorse correlate

Vedere le linee guida correlate nel Centro architetture di Azure:

• Confrontare i prodotti e le tecnologie di apprendimento automatico di Microsoft
• Framework delle operazioni di Machine Learning (MLOps) per migliorare il ciclo di vita di Machine Learning con Azure Machine Learning
• Distribuire l'intelligenza artificiale e l'elaborazione di Machine Learning in locale e nel perimetro
• Molti modelli di Machine Learning su larga scala con Azure Machine Learning
• Ridimensionare le iniziative di intelligenza artificiale e di Machine Learning nei settori regolamentati
• Prevedere le riammissioni ospedaliere usando tecniche di Machine Learning tradizionali e automatizzate
• Ambiente di ricerca sicuro per i dati regolamentati