Wprowadzenie
Azure Machine Learning to usługa w chmurze służąca do zarządzania cyklami życia projektów uczenia maszynowego. Specjaliści ds. uczenia maszynowego, analitycy danych i inżynierowie mogą używać usługi Azure Machine Learning do trenowania i wdrażania modeli oraz zarządzania operacjami uczenia maszynowego.
Jeśli ktoś monitoruje środowisko usługi Azure Machine Learning, ważne jest, aby mieć wgląd we wszystkie zasoby, które mogą mieć wpływ na wydajność i jakość modelu sztucznej inteligencji. Monitorowanie usługi Azure Machine Learning obejmuje następujące obszary:
- Wydajność usługi Azure Machine Learning: zasoby obliczeniowe zapewniają infrastrukturę do uruchamiania przepływu pracy uczenia maszynowego. Mogą one mieć wpływ na przebiegi, eksperymenty i ogólną wydajność usługi Azure Machine Learning. Ten obszar jest tradycyjnie przeznaczony dla operatorów i administratorów.
- Problemy z przepływem pracy: w całym cyklu życia uczenia maszynowego mogą wystąpić problemy i błędy podczas wdrażania nowych modeli, podczas uruchamiania zadania lub w innych okolicznościach. Zarówno administratorzy, jak i specjaliści ds. uczenia maszynowego mogą być zainteresowani tym obszarem.
- Modele uczenia maszynowego: dryf danych, dryf przewidywania modelu, niska jakość danych i dryf autorstwa funkcji mogą prowadzić do przestarzałych modeli i powodować przestarzałe systemy sztucznej inteligencji. Specjaliści ds. uczenia maszynowego i analitycy danych są tradycyjnymi właścicielami tego monitorowania.
Usługa Azure Monitor to podstawowe narzędzie do zarządzania środowiskiem usługi Azure Machine Learning. Usługa Azure Monitor udostępnia wbudowane możliwości monitorowania problemów z wydajnością i przepływem pracy w usłudze Azure Machine Learning. Możesz również rozszerzyć te możliwości na własne potrzeby.
Zarządzanie modelami sztucznej inteligencji opiera się na zbieraniu danych wnioskowania w środowisku produkcyjnym. Ta analiza jest częścią monitorowania modeli usługi Azure Machine Learning.