Arquitetura do Azure Machine Learning

Machine Learning
Synapse Analytics
Container Registry
Monitor
Power BI

Ideias de solução

Este artigo é uma ideia de solução. Se quiser que expandamos os conteúdos com mais informações, como potenciais casos de utilização, serviços alternativos, considerações de implementação ou orientações de preços, informe-nos ao fornecer feedback do GitHub.

Esta arquitetura mostra-lhe os componentes utilizados para criar, implementar e gerir modelos de alta qualidade com o Azure Machine Learning, um serviço para o ciclo de vida de ML ponto a ponto.

Arquitetura

Diagrama de uma arquitetura de solução de machine learning com o Azure Machine Learning com serviços do Azure para armazenamento, análise de dados, monitorização, autenticação e implementação segura.

Transfira um ficheiro do Visio desta arquitetura.

Nota

A arquitetura descrita neste artigo baseia-se na CLI do Azure Machine Learning e no SDK Python v1. Para obter mais informações sobre o novo SDK v2 e a CLI, veja O que é a CLI e o SDK v2.

Fluxo de dados

  1. Reúna todos os dados estruturados, não estruturados e semiestruturados (registos, ficheiros e suportes de dados) em Azure Data Lake Storage Gen2.
  2. Utilize o Apache Spark no Azure Synapse Analytics para limpar, transformar e analisar conjuntos de dados.
  3. Criar e preparar modelos de machine learning no Azure Machine Learning.
  4. Controle o acesso e a autenticação dos dados e da área de trabalho do ML com o Azure Active Directory e o Azure Key Vault. Gerir contentores com Azure Container Registry.
  5. Implemente o modelo de machine learning num contentor com o Azure Kubernetes Services, protegendo e gerindo a implementação com VNets e Balanceador de Carga do Azure do Azure.
  6. Com as métricas de registo e a monitorização do Azure Monitor, avalie o desempenho do modelo.
  7. Preparar novamente os modelos conforme necessário no Azure Machine Learning.
  8. Visualizar saídas de dados com o Power BI.

Componentes

  • O Azure Machine Learning é um serviço de machine learning (ML) de nível empresarial para o ciclo de vida de ML ponto a ponto.
  • Azure Synapse Analytics é um serviço unificado onde pode ingerir, explorar, preparar, transformar, gerir e servir dados para necessidades imediatas de BI e machine learning.
  • Azure Data Lake Storage Gen2 é um data lake extremamente dimensionável e seguro para as cargas de trabalho de análise de alto desempenho.
  • Azure Container Registry é um registo de imagens do Docker e do Open Container Initiative (OCI), com suporte para todos os artefactos OCI. Crie, armazene, proteja, analise, replique e faça a gestão de imagens e artefactos de contentor com uma instância georreplicada totalmente gerida da distribuição OCI.
  • Azure Kubernetes Service Azure Kubernetes Service (AKS) oferece o Kubernetes sem servidor, uma experiência integrada de integração contínua e entrega contínua (CI/CD) e segurança e governação de nível empresarial. Implemente e faça a gestão de aplicações em contentores mais facilmente com um serviço kubernetes totalmente gerido.
  • O Azure Monitor permite-lhe recolher, analisar e agir sobre dados telemétricos do Azure e ambientes no local. O Azure Monitor ajuda-o a maximizar o desempenho e a disponibilidade das suas aplicações e a identificar proativamente problemas em segundos.
  • O Azure Key Vault salvaguarda chaves criptográficas e outros segredos utilizados pelas aplicações e serviços cloud.
  • Balanceador de Carga do Azure balancea a carga do tráfego de internet e de rede privada com elevado desempenho e baixa latência. Balanceador de Carga funciona em máquinas virtuais, conjuntos de dimensionamento de máquinas virtuais e endereços IP.
  • O Power BI é um conjunto de ferramentas de análise empresarial que fornecem informações em toda a sua organização. Ligue-se a centenas de origens de dados, simplifique a preparação de dados e impulsione análises não planeadas. Produza relatórios apelativos e, em seguida, publique-os para que a sua organização consuma na Web e em dispositivos móveis.

Detalhes do cenário

Crie, implemente e faça a gestão de modelos de alta qualidade com o Azure Machine Learning, um serviço para o ciclo de vida de ML ponto a ponto. Utilize MLOps líderes do setor (operações de machine learning), interoperabilidade open source e ferramentas integradas numa plataforma segura e fidedigna concebida para machine learning (ML) responsável.

Potenciais casos de utilização

  • Utilizar o machine learning como um serviço.
  • Interface de criação fácil e flexível.
  • Grande variedade de algoritmos suportados.
  • Implementação fácil de serviços Web.
  • Excelente documentação para soluções de machine learning.

Considerações

Estas considerações implementam os pilares do Azure Well-Architected Framework, que é um conjunto de princípios orientadores que podem ser utilizados para melhorar a qualidade de uma carga de trabalho. Para obter mais informações, veja Microsoft Azure Well-Architected Framework.

Otimização de custos

A otimização de custos consiste em procurar formas de reduzir despesas desnecessárias e melhorar a eficiência operacional. Para obter mais informações, veja Descrição geral do pilar de otimização de custos.

Contribuidores

Este artigo é mantido pela Microsoft. Foi originalmente escrito pelos seguintes contribuidores.

Principais autores:

Para ver perfis do LinkedIn não públicos, inicie sessão no LinkedIn.

Passos seguintes

Veja a documentação dos principais serviços nesta solução:

Veja as orientações relacionadas no Centro de Arquitetura do Azure: