Migreren naar Azure Machine Learning vanuit Studio (klassiek)

Artikel
04/07/2024

Belangrijk

Ondersteuning voor Machine Learning Studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden op die datum over te stappen naar Azure Machine Learning .

Na december 2021 kunt u geen nieuwe Studio-resources (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u bestaande Studio-resources (klassiek) blijven gebruiken.

Studio-documentatie (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet bijgewerkt.

Leer hoe u migreert van Machine Learning Studio (klassiek) naar Azure Machine Learning. Azure Machine Learning biedt een gemoderniseerd data science-platform waarin no-code en code-first benaderingen worden gecombineerd.

In deze handleiding wordt een eenvoudige lift-and-shift-migratie beschreven. Als u een bestaande machine learning-werkstroom wilt optimaliseren of een machine learning-platform wilt moderniseren, raadpleegt u het Azure Machine Learning Adoption Framework voor meer resources, waaronder hulpprogramma's voor digitale enquêtes, werkbladen en planningssjablonen.

Neem contact op met uw cloudoplossingsarchitect voor de migratie.

Aanbevolen benadering

Als u wilt migreren naar Azure Machine Learning, raden we de volgende aanpak aan:

Stap 1: Azure Machine Learning evalueren
Stap 2: Een strategie en plan definiëren
Stap 3: Experimenten en webservices herbouwen
Stap 4: Client-apps integreren
Stap 5: Studio-assets (klassiek) opschonen
Stap 6: Scenario's beoordelen en uitbreiden

Stap 1: Azure Machine Learning evalueren

Meer informatie over Azure Machine Learning en de voordelen, kosten en architectuur.

Vergelijk de mogelijkheden van Azure Machine Learning en Studio (klassiek).

De volgende tabel bevat een overzicht van de belangrijkste verschillen.

Functie	Studio (klassiek)	Azure Machine Learning
Interface voor slepen en neerzetten	Klassieke ervaring	Bijgewerkte ervaring: Azure Machine Learning Designer
Code-SDK's	Niet ondersteund	Volledig geïntegreerd met Azure Machine Learning Python en R SDK's
Experiment	Schaalbaar (max. 10 GB aan trainingsgegevens)	Schalen met rekendoel
Rekendoelen voor training	Eigen rekendoel, alleen CPU-ondersteuning	Breed scala aan aanpasbare trainingsrekendoelen; bevat GPU- en CPU-ondersteuning
Rekendoelen voor implementatie	Bedrijfseigen webservice-indeling, niet aanpasbaar	Een breed scala aan aanpasbare rekendoelen voor implementaties; bevat GPU- en CPU-ondersteuning
Machine learning-pijplijn	Niet ondersteund	Bouw flexibele, modulaire pijplijnen om werkstromen te automatiseren
MLOps	Basismodelbeheer en -implementatie; Implementaties met alleen CPU	Versiebeheer van entiteiten (model, gegevens, werkstromen), werkstroomautomatisering, integratie met CICD-hulpprogramma's, CPU- en GPU-implementaties en meer
Modelindeling	Eigen indeling, alleen Studio (klassiek)	Meerdere ondersteunde indelingen, afhankelijk van het type trainingstaak
Geautomatiseerde modeltraining en afstemming van hyperparameters	Niet ondersteund	Ondersteund Code-first- en no-code-opties
Gegevensdriftdetectie	Niet ondersteund	Ondersteund
Projecten voor gegevenslabels	Niet ondersteund	Ondersteund
Op rollen gebaseerd toegangsbeheer (RBAC)	Alleen rol van inzender en eigenaar	Flexibele roldefinitie en RBAC-besturingselement
AI Gallery	Ondersteund	Niet ondersteund Leren met python SDK-voorbeeldnotebooks

Notitie

De ontwerpfunctie in Azure Machine Learning biedt een slepen-en-neerzetten-ervaring die vergelijkbaar is met Studio (klassiek). Azure Machine Learning biedt echter ook robuuste code-first-werkstromen als alternatief. Deze migratiereeks is gericht op de ontwerpfunctie, omdat deze het meest lijkt op de Studio-ervaring (klassiek).

Controleer of uw kritieke Studio-modules (klassiek) worden ondersteund in Azure Machine Learning Designer. Zie de tabel Studio (klassiek) en ontwerponderdeeltoewijzing voor meer informatie.
Een Azure Machine Learning-werkruimte maken.

Stap 2: Een strategie en plan definiëren

Definieer zakelijke redenen en verwachte resultaten.
Een uitvoerbaar Azure Machine Learning-acceptatieplan afstemmen op bedrijfsresultaten.
Bereid mensen, processen en omgevingen voor op verandering.

Neem contact op met uw cloudoplossingsarchitect om uw strategie te definiëren.

Zie het Azure Machine Learning Adoption Framework voor het plannen van resources, inclusief een sjabloon voor planningsdocumenten.

Stap 3: Uw eerste model opnieuw bouwen

Nadat u een strategie hebt gedefinieerd, migreert u uw eerste model.

Een gegevensset migreren naar Azure Machine Learning.
Gebruik de Azure Machine Learning-ontwerpfunctie om een experiment opnieuw te bouwen.
Gebruik de Azure Machine Learning-ontwerpfunctie om een webservice opnieuw te implementeren.

Notitie

Deze richtlijnen zijn gebaseerd op concepten en functies van Azure Machine Learning v1. Azure Machine Learning heeft CLI v2 en Python SDK v2. We raden u aan om uw Studio-modellen (klassiek) opnieuw samen te stellen met v2 in plaats van v1. Begin met Azure Machine Learning v2.

Stap 4: Client-apps integreren

Wijzig clienttoepassingen die Studio-webservices (klassiek) aanroepen om uw nieuwe Azure Machine Learning-eindpunten te gebruiken.

Stap 5: Studio-assets (klassiek) opschonen

Als u extra kosten wilt voorkomen, schoont u Studio-assets (klassiek) op. Mogelijk wilt u assets bewaren voor terugval totdat u Azure Machine Learning-workloads hebt gevalideerd.

Stap 6: Scenario's beoordelen en uitbreiden

Bekijk de modelmigratie voor best practices en valideer workloads.
Vouw scenario's uit en migreer meer workloads naar Azure Machine Learning.

Studio (klassiek) en ontwerponderdeeltoewijzing

Raadpleeg de volgende tabel om te zien welke modules moeten worden gebruikt tijdens het herbouwen van Studio-experimenten (klassiek) in de Azure Machine Learning-ontwerpfunctie.

Belangrijk

De ontwerpfunctie implementeert modules via opensource Python-pakketten in plaats van C#-pakketten zoals Studio (klassiek). Vanwege dit verschil kan de uitvoer van ontwerponderdelen enigszins afwijken van hun Studio-tegenhangers (klassiek).

Categorie	Studio-module (klassiek)	Vervangingsontwerponderdeel
Invoer en uitvoer van gegevens	- Gegevens handmatig invoeren - Gegevens exporteren - Gegevens importeren - Getraind model laden - Pak gezipte gegevenssets uit	- Gegevens handmatig invoeren - Gegevens exporteren - Gegevens importeren
Conversies gegevensindeling	- Converteren naar CSV - Converteren naar gegevensset - Converteren naar ARFF - Converteren naar SVMLight - Converteren naar TSV	- Converteren naar CSV - Converteren naar gegevensset
Gegevenstransformatie – Manipulatie	- Kolommen toevoegen - Rijen toevoegen - SQL-transformatie toepassen - Ontbrekende gegevens opschonen - Converteren naar indicatorwaarden - Metagegevens bewerken - Gegevens samenvoegen - Dubbele rijen verwijderen - Kolommen selecteren in gegevensset - Transformatie van kolommen selecteren -SLOEG - Categorische waarden groeperen	- Kolommen toevoegen - Rijen toevoegen - SQL-transformatie toepassen - Ontbrekende gegevens opschonen - Converteren naar indicatorwaarden - Metagegevens bewerken - Gegevens samenvoegen - Dubbele rijen verwijderen - Kolommen selecteren in gegevensset - Transformatie van kolommen selecteren -SLOEG
Gegevenstransformatie: schalen en verminderen	- Clipwaarden - Gegevens groeperen in opslaglocaties - Gegevens normaliseren - Analyse van principal-onderdelen	- Clipwaarden - Gegevens groeperen in opslaglocaties - Gegevens normaliseren
Gegevenstransformatie : voorbeeld en splitsing	- Partitie en voorbeeld - Gegevens splitsen	- Partitie en voorbeeld - Gegevens splitsen
Gegevenstransformatie – Filteren	- Filter toepassen - FIR-filter - IIR-filter - Mediaanfilter - Filter zwevend gemiddelde - Drempelwaardefilter - Door de gebruiker gedefinieerd filter
Gegevenstransformatie : leren met aantallen	- Bouwtellingstransformatie - Tabel Aantal exporteren - Tabel aantal importeren - Transformatie van aantal samenvoegen - Tabelparameters voor aantal wijzigen
Functieselectie	- Functieselectie op basis van filter - Fisher lineaire discriminante analyse - Urgentie van functie permutatie	- Functieselectie op basis van filter - Urgentie van functie permutatie
Model – Classificatie	- Beslissingsforest met meerdere klassen - Multiclass decision jungle - Logistieke regressie met meerdere klassen - Multiclass neuraal netwerk - One-vs-all multiclass - Twee klassen gemiddeld perceptron - Bayes-puntmachine met twee klassen - Twee klassen versterkte beslissingsstructuur - Beslissingsforest met twee klassen - Twee klassen beslissing jungle - Twee klassen lokaal diep SVM - Twee klassen logistieke regressie - Twee klassen neuraal netwerk - Ondersteuningsvectormachine met twee klassen	- Beslissingsforest met meerdere klassen - Multiclass boost beslissingsstructuur - Logistieke regressie met meerdere klassen - Multiclass neuraal netwerk - One-vs-all multiclass - Twee klassen gemiddeld perceptron - Twee klassen versterkte beslissingsstructuur - Beslissingsforest met twee klassen - Twee klassen logistieke regressie - Twee klassen neuraal netwerk - Ondersteuningsvectormachine met twee klassen
Model – Clustering	- K-means-clustering	- K-means-clustering
Model – Regressie	- Bayesiaanse lineaire regressie - Versterkte beslissingsstructuurregressie - Regressie van beslissingsforest - Snelle kwantielregressie van forest - Lineaire regressie - Regressie van neuraal netwerk - Ordinale regressie - Poisson-regressie	- Versterkte beslissingsstructuurregressie - Regressie van beslissingsforest - Snelle kwantielregressie van forest - Lineaire regressie - Regressie van neuraal netwerk - Poisson-regressie
Model – Anomaliedetectie	- AVPM van één klasse - Anomaliedetectie op basis van PCA	- Anomaliedetectie op basis van PCA
Machine Learning - Evalueren	- Model kruislings valideren - Model evalueren - Aanbevelingsfunctie evalueren	- Model kruislings valideren - Model evalueren - Aanbevelingsfunctie evalueren
Machine Learning – Trainen	- Clustering opruimen - Anomaliedetectiemodel trainen - Clusteringmodel trainen - Train matchbox recommender - Model trainen - Hyperparameters van model afstemmen	- Anomaliedetectiemodel trainen - Clusteringmodel trainen - Model trainen - PyTorch-model trainen - SVD-aanbevelingsfunctie trainen - Train wide and deep recommender - Hyperparameters van model afstemmen
Machine Learning – Score	- Transformatie toepassen - Gegevens toewijzen aan clusters - Score matchbox recommender - Scoremodel	- Transformatie toepassen - Gegevens toewijzen aan clusters - Afbeeldingsmodel beoordelen - Scoremodel - Score SVD recommender - Score wide and deep recommender
OpenCV-bibliotheekmodules	- Afbeeldingen importeren - Vooraf getrainde trapsgewijze afbeeldingsclassificatie
Python-taalmodules	- Python-script uitvoeren	- Python-script uitvoeren - Python-model maken
R-taalmodules	- R-script uitvoeren - R-model maken	- R-script uitvoeren
Statistische functies	- Wiskundige bewerking toepassen - Elementaire statistieken berekenen - Lineaire correlatie berekenen - Waarschijnlijkheidsfunctie evalueren - Discrete waarden vervangen - Gegevens samenvatten - Hypothese testen met behulp van t-Test	- Wiskundige bewerking toepassen - Gegevens samenvatten
Tekstanalyse	- Talen detecteren - Sleuteltermen extraheren uit tekst - N-gram functies extraheren uit tekst - Functie-hashing - Latent dirichlet-toewijzing - Herkenning van benoemde entiteiten - Tekst vooraf verwerken - Score vVowpal Wabbit versie 7-10 model - Score Vowpal Wabbit versie 8 model - Vowpal Wabbit versie 7-10-model trainen - Vowpal Wabbit versie 8-model trainen	- Word converteren naar vector - N-gram functies extraheren uit tekst - Functie-hashing - Latent dirichlet-toewijzing - Tekst vooraf verwerken - Score Vowpal Wabbit-model - Vowpal Wabbit-model trainen
Tijdreeks	- Anomaliedetectie van tijdreeksen
Webservice	-Input - Uitvoer	-Input - Uitvoer
Computer Vision		- Afbeeldingstransformatie toepassen - Converteren naar afbeeldingsmap - Init-afbeeldingstransformatie - Map met gesplitste installatiekopieën - DenseNet-afbeeldingsclassificatie - ResNet-afbeeldingsclassificatie

Zie de naslaginformatie over algoritme en onderdelen voor meer informatie over het gebruik van afzonderlijke ontwerponderdelen.

Wat gebeurt er als een ontwerponderdeel ontbreekt?

Azure Machine Learning Designer bevat de populairste modules uit Studio (klassiek). Het bevat ook nieuwe modules die profiteren van de nieuwste machine learning-technieken.

Als uw migratie wordt geblokkeerd vanwege ontbrekende modules in de ontwerpfunctie, neemt u contact met ons op door een ondersteuningsticket te maken.

Voorbeeldmigratie

In het volgende migratievoorbeeld ziet u enkele van de verschillen tussen Studio (klassiek) en Azure Machine Learning.

Gegevenssets

In Studio (klassiek) zijn gegevenssets opgeslagen in uw werkruimte en kunnen ze alleen worden gebruikt door Studio (klassiek).

In Azure Machine Learning worden gegevenssets geregistreerd bij de werkruimte en kunnen ze in alle Azure Machine Learning worden gebruikt. Zie Gegevens in Azure Machine Learning voor meer informatie over de voordelen van Azure Machine Learning-gegevenssets.

Pijplijn

In Studio (klassiek) bevatten experimenten de verwerkingslogica voor uw werk. U hebt experimenten gemaakt met modules voor slepen en neerzetten.

In Azure Machine Learning bevatten pijplijnen de verwerkingslogica voor uw werk. U kunt pijplijnen maken met slepen en neerzetten of door code te schrijven.

Webservice-eindpunten

Studio (klassiek) gebruikte REQUEST/RESPOND-API voor realtime voorspelling en BATCH EXECUTION-API voor batchvoorspelling of hertraining.

Azure Machine Learning maakt gebruik van realtime-eindpunten (beheerde eindpunten) voor realtime voorspellings- en pijplijneindpunten voor batchvoorspelling of hertraining.

In dit artikel hebt u de algemene vereisten voor migratie naar Azure Machine Learning geleerd. Zie de andere artikelen in de migratiereeks van Machine Learning Studio (klassiek) voor gedetailleerde stappen:

Zie het Azure Machine Learning Adoption Framework voor meer migratieresources.