Ideias de solução
Esse artigo é uma ideia de solução. Se você quiser que expandamos o conteúdo com mais informações, como possíveis casos de uso, serviços alternativos, considerações de implementação ou diretrizes de preços, informe-nos fornecendo comentários do GitHub.
Essa arquitetura mostra os componentes usados para criar, implantar e gerenciar modelos de alta qualidade com o Azure Machine Learning, um serviço para o ciclo de vida de ML de ponta a ponta.
Arquitetura
Baixe um Arquivo Visio dessa arquitetura.
Observação
A arquitetura descrita neste artigo baseia-se na CLI do Azure Machine Learning e no SDK do Python v1. Para obter mais informações sobre o novo SDK e a CLI v2, confira O que é a CLI e o SDK v2.
Fluxo de dados
- Reuna todos os seus dados estruturados, não estruturados e semiestruturados (logs, arquivos e mídia) no Azure Data Lake Storage Gen2.
- Use o Apache Spark no Azure Synapse Analytics para limpar, transformar e analisar conjuntos de dados.
- Crie e treine modelos de machine learning no Azure Machine Learning.
- Controlar o acesso e a autenticação para dados e o workspace de ML com o Microsoft Entra ID e o Azure Key Vault. Gerencie contêineres com o Registro de Contêiner do Azure.
- Implante o modelo de machine learning em um contêiner usando os Serviços de Kubernetes do Azure, protegendo e gerenciando a implantação com as VNets do Azure e o Azure Load Balancer.
- Usando métricas de log e monitoramento do Azure Monitor, avalie o desempenho do modelo.
- Treine novamente os modelos conforme necessário no Azure Machine Learning.
- Visualize saídas de dados com o Power BI.
Componentes
- O Azure Machine Learning é um serviço de aprendizado de máquina (ML) de nível empresarial para o ciclo de vida de aprendizado de máquina de ponta a ponta.
- O Azure Synapse Analytics é um serviço unificado em que você pode ingerir, explorar, preparar, transformar, gerenciar e fornecer dados para necessidades imediatas de business intelligence e aprendizado de máquina.
- O Azure Data Lake Storage Gen2 é um data lake extremamente escalonável e seguro para suas cargas de trabalho de análise de alto desempenho.
- O Registro de Contêiner do Azure é um registro de imagens do Docker e da Open Container Initiative (OCI), com suporte para todos os artefatos da OCI. Crie, armazene, proteja, digitalize, replique e gerencie imagens de contêiner e artefatos com uma instância totalmente gerenciada e com replicação geográfica da distribuição OCI.
- Serviço de Kubernetes do Azure O Serviço de Kubernetes do Azure (AKS) oferece Kubernetes sem servidor, uma experiência integrada de integração contínua e entrega contínua (CI/CD) e segurança e governança de nível empresarial. Implante e gerencie aplicativos em contêineres com mais facilidade usando um Serviço do Kubernetes totalmente gerenciado.
- O Azure Monitor permite coletar, analisar e agir sobre dados de telemetria de seus ambientes locais e do Azure. O Azure Monitor ajuda você a maximizar o desempenho e a disponibilidade dos aplicativos e a identificar problemas proativamente em segundos.
- O Azure Key Vault protege chaves criptográficas e outros segredos usados por aplicativos e serviços de nuvem.
- O Azure Load Balancer balanceia a carga do tráfego da Internet e de rede privada com alto desempenho e baixa latência. O Load Balancer funciona em máquinas virtuais, em conjuntos de dimensionamento de máquinas virtuais e em endereços IP.
- O Power BI é um pacote de ferramentas de análise de negócios que fornece insights a toda a organização. Conecte-se a centenas de fontes de dados, simplifique a preparação de dados e conduza a análise não planejada. Produza belos relatórios e, em seguida, publique-os para que sua organização consuma na Web e em dispositivos móveis.
Detalhes do cenário
Crie, implante e gerencie modelos de alta qualidade com o Azure Machine Learning, um serviço para o ciclo de vida de ML de ponta a ponta. Use operações de aprendizado de máquina (MLOps) líderes do setor, interoperabilidade de software livre e ferramentas integradas em uma plataforma segura e confiável projetada para aprendizado de máquina (ML) responsável.
Possíveis casos de uso
- Use o aprendizado de máquina como serviço.
- Interface de construção fácil e flexível.
- Ampla gama de algoritmos com suporte.
- Implementação fácil de serviços Web.
- Ótima documentação para soluções de aprendizado de máquina.
Considerações
Essas considerações implementam os pilares do Azure Well-Architected Framework, que é um conjunto de princípios de orientação que podem ser usados para aprimorar a qualidade de uma carga de trabalho. Para obter mais informações, confira Microsoft Azure Well-Architected Framework.
Otimização de custo
A otimização de custos é a análise de maneiras de reduzir as despesas desnecessárias e melhorar a eficiência operacional. Para obter mais informações, confira Visão geral do pilar de otimização de custo.
Colaboradores
Esse artigo é mantido pela Microsoft. Ele foi originalmente escrito pelos colaboradores a seguir.
Principais autores:
- Sheri Gilley | Desenvolvedora Sênior de Conteúdo
- Larry Franks | Desenvolvedor de Conteúdo
- Lauryn Gayhardt | Desenvolvedora de Conteúdo
- Samantha Salgado | Desenvolvedora de Conteúdo
Para ver perfis não públicos do LinkedIn, entre no LinkedIn.
Próximas etapas
Confira a documentação dos principais serviços nesta solução:
- Documentação do Azure Machine Learning
- Documentação do Azure Synapse Analytics
- Documentação do Azure Data Lake Storage Gen2
- Documentação do Registro de Contêiner do Azure
- Documentação do Serviço de Kubernetes do Azure
- Documentação do Azure Monitor
- Documentação do Azure Key Vault
- Documentação do Azure Load Balancer
- Documentação do Power BI
Recursos relacionados
Confira as diretrizes relacionadas no Centro de Arquitetura do Azure:
- Comparar os produtos e tecnologias de machine learning da Microsoft
- Estrutura de MLOps (operações de machine learning) para potencializar o ciclo de vida de machine learning com o Azure Machine Learning
- Implantar IA e ML computação local e na borda
- ML (machine learning) de vários modelos em escala com o Azure Machine Learning
- Escalar as iniciativas de IA e de machine learning em setores regulamentados
- Prever reinternações hospitalares usando técnicas de machine learning automatizado e tradicional
- Ambiente de pesquisa seguro para dados regulamentados