Kiedy należy używać usługi Azure Machine Edukacja
Wszechstronność i łatwość użycia usługi Azure Machine Edukacja oznacza, że nowe aplikacje są zawsze wykrywane przez użytkowników. W tym miejscu zapoznamy się z zaletami usługi Azure Machine Edukacja w praktyce, dzięki czemu można korzystać z tych funkcji w następnej aplikacji lub scenariuszu.
Praca w zespole
Współpraca w usłudze Azure Machine Edukacja jest możliwa przez dodanie wielu użytkowników do obszaru roboczego. Jeśli potrzebujesz dokładniejszej kontroli, możesz użyć kontroli dostępu opartej na rolach (RBAC) platformy Azure, aby wyposażyć członków zespołu w role w celu zdefiniowania ich dostępu i kontroli nad zasobami w obszarze roboczym. Gdy członkowie zespołu mają dostęp, mogą współtworzyć projekty etykietowania danych lub wspólnie pracować, aby dodawać i czyścić dane albo szkolić i wdrażać modele.
Użytkownicy mogą również współpracować wspólnie z wbudowanymi notesami Jupyter Notebook, aby udostępniać pomysły i kod. Zmiany i współtworzenie każdego członka są rejestrowane w notesach, a pełna historia poprawek jest przechowywana. Notesy umożliwiają również równoczesny dostęp — dzięki czemu wielu członków może wspólnie omawiać i edytować je podczas wprowadzania zmian przez współpracowników.
MLOps
Usługa Azure Machine Edukacja używa zasad MLOps do zarządzania i przyspieszania cyklu życia modeli — jednocześnie poprawiając jakość rozwiązań uczenia maszynowego. Te zasady są przydatne niezależnie od rozmiaru zespołów, ponieważ mogą znacząco skrócić czas od trenowania do wdrożenia — i wyróżnić problemy w zestawie danych i modelach. Po wdrożeniu modeli można łatwo monitorować aplikacje uczenia maszynowego pod kątem problemów operacyjnych i uczenia maszynowego, w tym infrastruktury uczenia maszynowego. Korzystając z tych narzędzi, możesz zapewnić spójność modeli i zapewnić stabilność aplikacji.
Odpowiedzialne uczenie maszynowe
Funkcje i obsługiwane narzędzia usługi Azure Machine Edukacja zwiększają czytelność i nadzór nad modelami— dzięki czemu można tworzyć odpowiedzialne rozwiązania sztucznej inteligencji. Przejrzystość modelu jest osiągana za pomocą narzędzi do interpretowania zestawu SDK — wyróżnianie znaczących funkcji lub metryk, które mogą mieć wpływ na zachowanie systemu. Zarządzanie zdarzeniami cyklu życia modelu można wykonywać na kilka sposobów. Narzędzie Azure Machine Edukacja Studio zapewnia intuicyjną wizualizację danych, a dzienniki i metryki można śledzić i wyświetlać za pośrednictwem witryny Azure Portal, zestawu SDK i rozszerzenia interfejsu wiersza polecenia. Aby uzyskać bardziej szczegółowe informacje na temat rejestrowania i monitorowania, można zintegrować usługę Azure Monitor, MLflow i inne usługi, aby zapewnić szczegółowe narzędzia do monitorowania i analizowania trenowania modelu.
Usługa Azure Machine Edukacja pomaga również chronić osoby i ich dane, integrując narzędzia ochrony prywatności różnicowej, takie jak SmartNoise, aby chronić poufne dane i unikać wycieków. Usługa Azure Machine Edukacja obsługuje również szyfrowanie Microsoft SEAL w celu zachowania poufności informacji prywatnych — nawet od zespołów korzystających z danych. Funkcje metodyki MLOps zapewniają również większą kontrolę nad kompleksowym cyklem życia uczenia maszynowego przy użyciu rejestrowania i narzędzi do zapewniania ładu oraz niezawodnej struktury zabezpieczeń
Bieżące przewidywania i prognozowanie
Szeroka gama algorytmów i ich potencjalnych zastosowań oznacza, że prawie każda branża może wdrażać modele, które pomogą zwiększyć produktywność, świecić światło na nowych klientów i lepiej obsługiwać istniejące. Najczęściej używane algorytmy to regresja, klasyfikacja i prognozowanie szeregów czasowych. Te algorytmy mogą przewidywać kategorie docelowe, znajdować nietypowe punkty danych, przewidywać wartości i odnajdywać podobieństwa. Modelowanie danych może pomóc firmom znaleźć kolejną lokalizację sklepu lub zlokalizować obszary w fabryce, które prawdopodobnie wymagają konserwacji, zanim wystąpią problemy. W naszym codziennym życiu raportowanie pogody opiera się w dużej mierze na tych modelach, aby przewidzieć nadchodzącą pogodę lub ścieżkę systemów burzowych, co pozwala ludziom przygotować się. Dzięki usłudze Azure Machine Edukacja te różne modele można szybko utworzyć. Jeśli nie masz pewności, który model jest odpowiedni dla danych, rozwiązanie AutoML może służyć do testowania, trenowania i sugerowania najbardziej odpowiedniego modelu.
Integracja z innymi usługami platformy Azure
Usługa Azure Machine Edukacja integruje się z wieloma usługami i narzędziami platformy Azure, aby spełnić określone wymagania. Usługi Azure Container Registry i Azure Container Instances to doskonałe rozwiązania do szybkiego tworzenia, wdrażania i zarządzania modelami, które mogą działać w izolowanych kontenerach. Takie jak proste aplikacje, automatyzacja zadań i zadania kompilacji. Aby uzyskać bardziej szczegółowe dzienniki zdarzeń i monitorowanie, usługa Azure Machine Edukacja może nawiązać połączenie z usługą Azure Monitor w celu uzyskania pełnej usługi monitorowania. Usługa Azure Monitor zapewnia głęboką diagnostykę i rozwiązywanie problemów w zestawach danych i wdrożonych modelach, informując o tym, jak działa i jakie zasoby zużywa.
Aby uzyskać jeszcze więcej aktualnych informacji na temat potoków i modeli, integracja z usługą Azure Event Grid może być optymalna. Azure Event Grid to usługa pozyskiwania zdarzeń, która może wysyłać alerty i automatyzować odpowiedzi na zmiany w systemach, które monitoruje. Może być używany, jeśli potrzebujesz rozszerzonej lub zautomatyzowanej obsługi przepływów pracy potoku lub zarządzania zdarzeniami w wdrożonych modelach. Użytkownicy mogą tworzyć reaktywne aplikacje, które mogą reagować lub powiadamiać o zmianach w bazowym modelu. Ta funkcja może być szczególnie przydatna, jeśli chcesz wyzwolić potok po wykryciu dryfu danych lub wysłaniu alertu za pośrednictwem poczty e-mail w przypadku wystąpienia zdarzenia.