Eseguire la migrazione ad Azure Machine Learning da Studio (versione classica)

Importante

Il supporto per Machine Learning Studio (versione classica) termina il 31 agosto 2024. È consigliabile passare ad Azure Machine Learning entro tale data.

Dopo dicembre 2021 non è più possibile creare nuove risorse di Studio (versione classica). Fino al 31 agosto 2024, è possibile continuare a usare le risorse esistenti di Studio (versione classica).

La documentazione di Studio (versione classica) viene ritirata e potrebbe non essere aggiornata in futuro.

Informazioni su come eseguire la migrazione da Machine Learning Studio (versione classica) ad Azure Machine Learning. Azure Machine Learning offre una piattaforma di data science modernizzata che combina approcci senza codice e code-first.

Questa guida illustra una migrazione lift-and-shift di base. Per ottimizzare un flusso di lavoro di Machine Learning esistente o modernizzare una piattaforma di Machine Learning, vedere Azure Machine Learning Adoption Framework per altre risorse, inclusi strumenti di sondaggio digitali, fogli di lavoro e modelli di pianificazione.

Collaborare con l'architetto di soluzioni cloud per la migrazione.

Approccio consigliato

Per eseguire la migrazione ad Azure Machine Learning, è consigliabile usare l'approccio seguente:

• Passaggio 1: Valutare Azure Machine Learning
• Passaggio 2: Definire una strategia e un piano
• Passaggio 3: Ricompilare esperimenti e servizi Web
• Passaggio 4: Integrare le app client
• Passaggio 5: Pulire gli asset dello studio (versione classica)
• Passaggio 6: Esaminare ed espandere gli scenari

Passaggio 1: Valutare Azure Machine Learning

1. Informazioni su Azure Machine Learning e sui relativi vantaggi, costi e architettura.

2. Confrontare le funzionalità di Azure Machine Learning e studio (versione classica).

   La tabella seguente riepiloga le differenze principali.

   Funzionalità	Studio (versione classica)	Azure Machine Learning
   Interfaccia con trascinamento della selezione	Esperienza classica	Esperienza aggiornata: Finestra di progettazione di Azure Machine Learning
   SDK di codice	Non supportato	Completamente integrato con gli SDK di Azure Machine Learning per Python e R
   Esperimento	Scalabile (limite dei dati di training di 10 GB)	Ridimensionamento con destinazione di calcolo
   Destinazioni di calcolo del training	Destinazione di calcolo proprietaria, solo supporto di CPU	Ampia gamma di destinazioni di calcolo di training personalizzabili; include il supporto della GPU e della CPU
   Destinazioni di calcolo della distribuzione	Formato di servizio Web proprietario, non personalizzabile	Ampia gamma di destinazioni di calcolo di distribuzione personalizzabili; include il supporto della GPU e della CPU
   Pipeline di Machine Learning	Non supportato	Creazione di pipeline flessibili e modulari per automatizzare i flussi di lavoro
   MLOps	Gestione e distribuzione dei modelli di base; Distribuzioni solo CPU	Controllo delle versioni delle entità (modello, dati, flussi di lavoro), automazione del flusso di lavoro, integrazione con strumenti CICD, distribuzioni di CPU e GPU e altro ancora
   Formato dei modelli	Formato proprietario, solo Studio (versione classica)	Più formati supportati a seconda del tipo di processo di training
   Training automatizzato dei modelli e ottimizzazione degli iperparametri	Non supportato	Supportata Opzioni code-first e senza codice
   Rilevamento della deriva dei dati	Non supportato	Supportata
   Progetti di etichettatura dei dati	Non supportato	Supportata
   Controllo degli accessi in base al ruolo	Solo ruolo Collaboratore e Proprietario	Definizione di ruolo flessibile e controllo degli accessi in base al ruolo
   AI Gallery	Supportata	Non supportate Informazioni con i notebook python SDK di esempio

   Nota

   La funzionalità di progettazione in Azure Machine Learning offre un'esperienza di trascinamento della selezione simile a Studio (versione classica). Azure Machine Learning offre tuttavia anche flussi di lavoro code-first affidabili in alternativa. Questa serie sulla migrazione è incentrata sulla finestra di progettazione, perché è più simile all'esperienza dello studio (versione classica).

3. Verificare che i moduli critici dello studio (versione classica) siano supportati nella finestra di progettazione di Azure Machine Learning. Per altre informazioni, vedere la tabella di mapping dei componenti di Studio (versione classica) e progettazione.

4. Creare un'area di lavoro di Azure Machine Learning.

Passaggio 2: Definire una strategia e un piano

1. Definire le motivazioni aziendali e i risultati previsti.

2. Allineare un piano di adozione di Azure Machine Learning operativo ai risultati aziendali.

3. Preparare persone, processi e ambienti per il cambiamento.

Collaborare con l'architetto di soluzioni cloud per definire la strategia.

Per la pianificazione delle risorse, incluso un modello di documentazione sulla pianificazione, vedere Azure Machine Learning Adoption Framework.

Passaggio 3: Ricompilare il primo modello

Dopo aver definito una strategia, eseguire la migrazione del primo modello.

1. Eseguire la migrazione di un set di dati ad Azure Machine Learning.

2. Usare la finestra di progettazione di Azure Machine Learning per ricompilare un esperimento.

3. Usare la finestra di progettazione di Azure Machine Learning per ridistribuire un servizio Web.

   Nota

   Queste indicazioni sono basate su concetti e funzionalità di Azure Machine Learning v1. Azure Machine Learning include l'interfaccia della riga di comando v2 e Python SDK v2. È consigliabile ricompilare i modelli di Studio (versione classica) usando v2 anziché v1. Iniziare con Azure Machine Learning v2.

Passaggio 4: Integrare le app client

Modificare le applicazioni client che richiamano i servizi Web dello studio (versione classica) per usare i nuovi endpoint di Azure Machine Learning.

Passaggio 5: Pulire gli asset dello studio (versione classica)

Per evitare addebiti aggiuntivi, pulire gli asset di Studio (versione classica). È possibile conservare gli asset per il fallback fino a quando non sono stati convalidati i carichi di lavoro di Azure Machine Learning.

Passaggio 6: Esaminare ed espandere gli scenari

1. Esaminare la migrazione del modello per le procedure consigliate e convalidare i carichi di lavoro.

2. Espandere gli scenari ed eseguire la migrazione di altri carichi di lavoro ad Azure Machine Learning.

Mapping dei componenti dello studio (versione classica) e della finestra di progettazione

Consultare la tabella seguente per vedere quali moduli usare durante la ricompilazione degli esperimenti di Studio (versione classica) nella finestra di progettazione di Azure Machine Learning.

Importante

La finestra di progettazione implementa i moduli tramite pacchetti Python open source anziché pacchetti C# come studio (versione classica). A causa di questa differenza, l'output dei componenti della finestra di progettazione può variare leggermente rispetto alle controparti di Studio (versione classica).

Categoria	Modulo dello studio (versione classica)	Componente sostitutivo della finestra di progettazione
Input e output dei dati	- Immettere i dati manualmente - Esportare i dati - Importare dati - Caricare il modello sottoposto a training - Decomprimere set di dati compressi	- Immettere i dati manualmente - Esportare i dati - Importare dati
Conversioni dei formati di dati	- Converti in CSV - Convertire in set di dati - Convertire in ARFF - Convertire in SVMLight - Convertire in TSV	- Converti in CSV - Convertire in set di dati
Trasformazione dei dati - Manipolazione	- Aggiungere colonne - Aggiungere righe - Applicare la trasformazione SQL - Pulire i dati mancanti - Convertire in valori di indicatore - Modificare i metadati - Unire dati - Rimuovere righe duplicate - Selezionare le colonne nel set di dati - Selezionare la trasformazione delle colonne -COLPÌ - Raggruppare i valori categorici	- Aggiungere colonne - Aggiungere righe - Applicare la trasformazione SQL - Pulire i dati mancanti - Convertire in valori di indicatore - Modificare i metadati - Unire dati - Rimuovere righe duplicate - Selezionare le colonne nel set di dati - Selezionare la trasformazione delle colonne -COLPÌ
Trasformazione dei dati: ridimensionare e ridurre	- Ritaglia valori - Raggruppare i dati in contenitori - Normalizzare i dati - Analisi dei componenti principale	- Ritaglia valori - Raggruppare i dati in contenitori - Normalizzare i dati
Trasformazione dei dati: esempio e suddivisione	- Partizione ed esempio - Dividere i dati	- Partizione ed esempio - Dividere i dati
Trasformazione dei dati - Filtro	- Applica filtro - Filtro FIR - Filtro IIR - Filtro mediano - Filtro medio mobile - Filtro soglia - Filtro definito dall'utente
Trasformazione dei dati- Apprendimento con conteggi	- Trasformazione di conteggio compilazione - Esportare la tabella dei conteggi - Importa tabella conteggio - Unire la trasformazione conteggio - Modificare i parametri della tabella dei conteggi
Selezione di funzionalità	- Selezione delle funzionalità basata su filtro - Analisi discriminante lineare di Fisher - Importanza della funzionalità di permutazione	- Selezione delle funzionalità basata su filtro - Importanza della funzionalità di permutazione
Modello - Classificazione	- Foresta delle decisioni multiclasse - Giungla delle decisioni multiclasse - Regressione logistica multiclasse - Rete neurale multiclasse - Multiclasse one-vs-all - Perceptron con media a due classi - Macchina a punti Bayes a due classi - Albero delle decisioni con boosting a due classi - Foresta delle decisioni a due classi - Giungla delle decisioni a due classi - SVM profonda a due classi in locale - Regressione logistica a due classi - Rete neurale a due classi - Macchina a vettori di supporto a due classi	- Foresta delle decisioni multiclasse - Albero delle decisioni con boost multiclasse - Regressione logistica multiclasse - Rete neurale multiclasse - Multiclasse one-vs-all - Perceptron con media a due classi - Albero delle decisioni con boosting a due classi - Foresta delle decisioni a due classi - Regressione logistica a due classi - Rete neurale a due classi - Macchina a vettori di supporto a due classi
Modello - Clustering	- Clustering K-means	- Clustering K-means
Modello - Regressione	- Regressione lineare bayesiana - Regressione dell'albero delle decisioni con boosting - Regressione della foresta decisionale - Regressione quantile della foresta veloce - Regressione lineare - Regressione della rete neurale - Regressione ordinale - Regressione poisson	- Regressione dell'albero delle decisioni con boosting - Regressione della foresta decisionale - Regressione quantile della foresta veloce - Regressione lineare - Regressione della rete neurale - Regressione poisson
Modello - Rilevamento anomalie	- SVM a una classe - Rilevamento anomalie basato su PCA	- Rilevamento anomalie basato su PCA
Machine Learning - Valutazione	- Modello di convalida incrociata - Valutare il modello - Valutare il consiglio di raccomandazione	- Modello di convalida incrociata - Valutare il modello - Valutare il consiglio di raccomandazione
Machine Learning - Training	- Clustering sweep - Eseguire il training del modello di rilevamento anomalie - Eseguire il training del modello di clustering - Train matchbox recommender - Eseguire il training del modello - Ottimizzare gli iperparametri del modello	- Eseguire il training del modello di rilevamento anomalie - Eseguire il training del modello di clustering - Eseguire il training del modello - Eseguire il training del modello PyTorch - Eseguire il training del consigliatore SVD - Eseguire il training di un sistema di raccomandazione ampio e profondo - Ottimizzare gli iperparametri del modello
Machine Learning - Punteggio	- Applicare la trasformazione - Assegnare dati ai cluster - Score matchbox recommender - Assegnare un punteggio al modello	- Applicare la trasformazione - Assegnare dati ai cluster - Assegnare un punteggio al modello di immagine - Assegnare un punteggio al modello - Punteggio di raccomandazione SVD - Assegnare punteggi a un sistema di raccomandazione ampio e profondo
Moduli della libreria OpenCV	- Importare immagini - Classificazione delle immagini a catena con training preliminare
Moduli del linguaggio Python	- Eseguire script Python	- Eseguire script Python - Creare un modello Python
Moduli del linguaggio R	- Eseguire script R - Creare un modello R	- Eseguire script R
Funzioni statistiche	- Applicare l'operazione matematica - Calcolare le statistiche elementari - Correlazione lineare di calcolo - Valutare la funzione di probabilità - Sostituire valori discreti - Riepilogare i dati - Testare l'ipotesi usando t-Test	- Applicare l'operazione matematica - Riepilogare i dati
Analisi del testo	- Rilevare le lingue - Estrarre frasi chiave dal testo - Estrarre le caratteristiche N-gram dal testo - Hash delle funzionalità - Allocazione dirichlet latente - Riconoscimento di entità denominate - Pre-elaborare il testo - Assegnare un punteggio al modello vVowpal Wabbit versione 7-10 - Assegnare un punteggio al modello Vowpal Wabbit versione 8 - Eseguire il training del modello Vowpal Wabbit versione 7-10 - Eseguire il training del modello Vowpal Wabbit versione 8	- Convertire Word in vettore - Estrarre le caratteristiche N-gram dal testo - Hash delle funzionalità - Allocazione dirichlet latente - Pre-elaborare il testo - Assegnare punteggi al modello Vowpal Wabbit - Eseguire il training del modello Vowpal Wabbit
Serie temporale	- Rilevamento anomalie delle serie temporali
Servizio Web	-Input - Output	-Input - Output
Visione artificiale		- Applicare la trasformazione immagine - Convertire nella directory dell'immagine - Trasformazione dell'immagine Init - Divisione della directory delle immagini - Classificazione delle immagini DenseNet - Classificazione delle immagini ResNet

Per altre informazioni su come usare singoli componenti della finestra di progettazione, vedere le informazioni di riferimento sugli algoritmi e sui componenti.

Cosa accade se manca un componente della finestra di progettazione?

La finestra di progettazione di Azure Machine Learning contiene i moduli più diffusi dello studio (versione classica). Include anche nuovi moduli che sfruttano le tecniche di apprendimento automatico più recenti.

Se la migrazione è bloccata a causa di moduli mancanti nella finestra di progettazione, contattare Microsoft creando un ticket di supporto.

Migrazione di esempio

L'esempio di migrazione seguente evidenzia alcune delle differenze tra Studio (versione classica) e Azure Machine Learning.

Set di dati

Nello studio (versione classica) i set di dati venivano salvati nell'area di lavoro e potevano essere usati solo da studio (versione classica).

In Azure Machine Learning i set di dati vengono registrati nell'area di lavoro e possono essere usati in tutti i set di dati di Azure Machine Learning. Per altre informazioni sui vantaggi dei set di dati di Azure Machine Learning, vedere Dati in Azure Machine Learning.

Pipeline

Nello studio (versione classica) gli esperimenti contenevano la logica di elaborazione per il lavoro. Si creavano esperimenti con i moduli di trascinamento della selezione.

In Azure Machine Learning le pipeline contengono la logica di elaborazione per il lavoro. È possibile creare pipeline con moduli di trascinamento della selezione o scrivendo codice.

Endpoint servizio Web

Studio (versione classica) usava API REQUEST/RESPOND per la stima in tempo reale e API BATCH EXECUTION per la stima o la ripetizione del training in batch.

Azure Machine Learning usa gli endpoint in tempo reale (endpoint gestiti) per la stima in tempo reale e gli endpoint della pipeline per la stima o la ripetizione del training in batch.

Contenuto correlato

In questo articolo sono stati appresi i requisiti generali per la migrazione ad Azure Machine Learning. Per i passaggi dettagliati, vedere gli altri articoli della serie di migrazione di Machine Learning Studio (versione classica):

• Eseguire la migrazione di un set di dati di Studio (versione classica)
• Ricompilare un esperimento di Studio (versione classica)
• Ricompilare un servizio Web studio (versione classica)
• Usare gli endpoint della pipeline dalle applicazioni client.
• Eseguire la migrazione dei moduli Execute R Script

Per altre risorse di migrazione, vedere Azure Machine Learning Adoption Framework.