Arquitetura do Azure Machine Learning

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

Transfira um ficheiro do Visio desta arquitetura.

Fluxo de dados

1. Reúna todos os seus dados estruturados, não estruturados e semiestruturados (logs, arquivos e mídia) no Azure Data Lake Storage Gen2.
2. Use o Apache Spark no Azure Synapse Analytics para limpar, transformar e analisar conjuntos de dados.
3. Crie e treine modelos de aprendizado de máquina no Azure Machine Learning.
4. Controle o acesso e a autenticação de dados e do espaço de trabalho de ML com o Microsoft Entra ID e o Azure Key Vault. Gerencie contêineres com o Registro de Contêiner do Azure.
5. Implante o modelo de aprendizado de máquina em um contêiner usando os Serviços Kubernetes do Azure, protegendo e gerenciando a implantação com as VNets do Azure e o Azure Load Balancer.
6. Usando métricas de log e monitoramento do Azure Monitor, avalie o desempenho do modelo.
7. Retreine modelos conforme necessário no Azure Machine Learning.
8. 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 ML de ponta a ponta.
• O Azure Synapse Analytics é um serviço unificado onde você pode ingerir, explorar, preparar, transformar, gerenciar e fornecer dados para necessidades imediatas de BI e aprendizado de máquina.
• O Azure Data Lake Storage Gen2 é um data lake massivamente escalável 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 OCI. Compile, armazene, proteja, analise, replique e faça a gestão de imagens e artefactos de contentores com uma instância totalmente gerida e georreplicada da distribuição de OCI.
• Serviço Kubernetes do Azure O Serviço 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. Implemente e faça a gestão de aplicações em contentores de forma mais simples com um serviço do Kubernetes totalmente gerido.
• O Azure Monitor permite coletar, analisar e agir em dados de telemetria de seus ambientes do Azure e locais. O Azure Monitor ajuda-o a maximizar o desempenho e a disponibilidade das suas aplicações e a identificar problemas em segundos de forma proativa.
• O Azure Key Vault protege chaves criptográficas e outros segredos usados por aplicativos e serviços na nuvem.
• O Azure Load Balancer equilibra a carga do tráfego da Internet e da rede privada com alto desempenho e baixa latência. O 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 de negócios que fornecem informações em toda a sua organização. Conecte-se a centenas de fontes de dados, simplifique a preparação de dados e conduza análises não planejadas. Produza magníficos relatórios e publique-os para a sua organização os consumir 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 MLOps (operações de aprendizado de máquina) líderes do setor, interoperabilidade de código aberto e ferramentas integradas em uma plataforma segura e confiável projetada para aprendizado de máquina (ML) responsável.

Potenciais casos de utilização

• Use o aprendizado de máquina como um serviço.
• Interface de construção fácil e flexível.
• Ampla gama de algoritmos suportados.
• Fácil implementação de serviços web.
• Excelente documentação para soluções de machine learning.

Considerações

Essas considerações implementam os pilares do Azure Well-Architected Framework, que é um conjunto de princípios orientadores que podem ser usados para melhorar a qualidade de uma carga de trabalho. Para obter mais informações, consulte 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, consulte Visão geral do pilar de otimização de custos.

• Obtenha estimativas de preços

Contribuidores

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

Principais autores:

• Sheri Gilley - Brasil | Desenvolvedor de Conteúdo Sênior
• Larry Franks - Brasil | Desenvolvedor de Conteúdo
• Lauryn Gayhardt - Brasil | Desenvolvedor de Conteúdo
• Samantha Salgado - Brasil | Desenvolvedor de Conteúdo

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

Próximos passos

Consulte 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 Azure Container Registry
• Documentação do Serviço Kubernetes do Azure
• Documentação do Azure Monitor
• Documentação do Azure Key Vault
• Documentação do Azure Load Balancer
• Documentação do Power BI

Recursos relacionados

Consulte as orientações relacionadas no Centro de Arquitetura do Azure:

• Compare os produtos e tecnologias de aprendizado de máquina da Microsoft
• Estrutura de operações de aprendizado de máquina (MLOps) para aumentar o ciclo de vida do aprendizado de máquina com o Azure Machine Learning
• Implante computação de IA e ML no local e na borda
• Muitos modelos de aprendizado de máquina (ML) em escala com o Azure Machine Learning
• Dimensione iniciativas de IA e aprendizado de máquina em setores regulamentados
• Preveja readmissões hospitalares usando técnicas tradicionais e automatizadas de aprendizado de máquina
• Ambiente de pesquisa seguro para dados regulamentados