Migrar para o Azure Machine Learning a partir do Studio (clássico)
Importante
O suporte para o Machine Learning Studio (clássico) termina em 31 de agosto de 2024. Recomendamos que faça a transição para o Azure Machine Learning até essa data.
Após dezembro de 2021, não é mais possível criar novos recursos do Studio (clássicos). Até 31 de agosto de 2024, você pode continuar a usar os recursos existentes do Studio (clássico).
A documentação do Studio (clássica) está sendo aposentada e pode não ser atualizada no futuro.
Saiba como migrar do Machine Learning Studio (clássico) para o Azure Machine Learning. O Azure Machine Learning fornece uma plataforma de ciência de dados modernizada que combina abordagens no-code e code-first.
Este guia percorre uma migração básica de elevadores e turnos . Se você quiser otimizar um fluxo de trabalho de aprendizado de máquina existente ou modernizar uma plataforma de aprendizado de máquina, consulte a Estrutura de Adoção do Aprendizado de Máquina do Azure para obter mais recursos, incluindo ferramentas de pesquisa digital, planilhas e modelos de planejamento.
Trabalhe com seu arquiteto de soluções na nuvem na migração.
Abordagem recomendada
Para migrar para o Azure Machine Learning, recomendamos a seguinte abordagem:
- Etapa 1: Avaliar o Aprendizado de Máquina do Azure
- Passo 2: Definir uma estratégia e um plano
- Etapa 3: Reconstruir experimentos e serviços Web
- Etapa 4: Integrar aplicativos cliente
- Etapa 5: Limpar ativos do Studio (clássico)
- Etapa 6: Revisar e expandir cenários
Etapa 1: Avaliar o Aprendizado de Máquina do Azure
Saiba mais sobre o Azure Machine Learning e seus benefícios, custos e arquitetura.
Compare os recursos do Azure Machine Learning e do Studio (clássico).
A tabela a seguir resume as principais diferenças.
Caraterística Studio (clássico) Azure Machine Learning Interface de arrastar e largar Experiência clássica Experiência atualizada: Azure Machine Learning designer SDKs de código Não suportado Totalmente integrado com SDKs Python e R do Azure Machine Learning Experimentação Escalável (limite de dados de treinamento de 10 GB) Dimensionar com destino de computação Treinamento de alvos computacionais Alvo de computação proprietário, apenas suporte de CPU Ampla gama de alvos de computação de treinamento personalizáveis; inclui suporte a GPU e CPU Destinos de computação de implantação Formato de serviço Web proprietário, não personalizável Ampla gama de destinos de computação de implantação personalizáveis; inclui suporte a GPU e CPU Pipeline de aprendizado de máquina Não suportado Crie pipelines flexíveis e modulares para automatizar fluxos de trabalho MLOps Gestão e implementação de modelos básicos; Implantações somente de CPU Controle de versão de entidade (modelo, dados, fluxos de trabalho), automação do fluxo de trabalho, integração com ferramentas CICD, implantações de CPU e GPU e muito mais Formato do modelo Formato proprietário, apenas Studio (clássico) Vários formatos suportados, dependendo do tipo de trabalho de treinamento Treinamento automatizado de modelos e ajuste de hiperparâmetros Não suportado Suportado
Opções de código primeiro e sem códigoDeteção de desvio de dados Não suportado Suportado Projetos de rotulagem de dados Não suportado Suportado Controlo de acesso baseado em funções (RBAC) Apenas função de contribuidor e proprietário Definição flexível de funções e controle RBAC Galeria AI Suportado Não suportado
Aprenda com exemplos de blocos de anotações SDK do PythonNota
O recurso de designer no Azure Machine Learning fornece uma experiência de arrastar e soltar semelhante ao Studio (clássico). No entanto, o Aprendizado de Máquina do Azure também fornece fluxos de trabalho robustos que priorizam o código como alternativa. Esta série de migração foca-se no designer, uma vez que é mais semelhante à experiência Studio (clássica).
Verifique se seus módulos críticos do Studio (clássicos) são suportados no designer do Azure Machine Learning. Para obter mais informações, consulte a tabela de mapeamento de componentes Studio (clássico) e designer.
Crie um espaço de trabalho do Azure Machine Learning.
Passo 2: Definir uma estratégia e um plano
Definir justificações de negócio e resultados esperados.
Alinhe um plano de adoção acionável do Azure Machine Learning aos resultados de negócios.
Prepare pessoas, processos e ambientes para a mudança.
Trabalhe com seu arquiteto de soluções na nuvem para definir sua estratégia.
Para recursos de planejamento, incluindo um modelo de documento de planejamento, consulte a Estrutura de Adoção do Azure Machine Learning.
Passo 3: Reconstrua o seu primeiro modelo
Depois de definir uma estratégia, migre seu primeiro modelo.
Use o designer do Azure Machine Learning para reconstruir um experimento.
Use o designer do Azure Machine Learning para reimplantar um serviço Web.
Nota
Esta orientação foi criada com base nos conceitos e recursos do Azure Machine Learning v1. O Azure Machine Learning tem CLI v2 e Python SDK v2. Sugerimos que reconstrua os seus modelos Studio (clássicos) utilizando v2 em vez de v1. Comece com o Azure Machine Learning v2.
Etapa 4: Integrar aplicativos cliente
Modifique aplicativos cliente que invocam serviços Web do Studio (clássicos) para usar seus novos pontos de extremidade do Azure Machine Learning.
Etapa 5: Limpar ativos do Studio (clássico)
Para evitar cobranças extras, limpe os ativos do Studio (clássicos). Talvez você queira reter ativos para fallback até validar as cargas de trabalho do Azure Machine Learning.
Etapa 6: Revisar e expandir cenários
Analise a migração do modelo para obter práticas recomendadas e valide cargas de trabalho.
Expanda cenários e migre mais cargas de trabalho para o Azure Machine Learning.
Mapeamento de componentes de estúdio (clássico) e designer
Consulte a tabela a seguir para ver quais módulos usar ao reconstruir experimentos do Studio (clássicos) no designer do Azure Machine Learning.
Importante
O designer implementa módulos através de pacotes Python de código aberto em vez de pacotes C# como Studio (clássico). Devido a essa diferença, a saída dos componentes do designer pode variar ligeiramente de seus equivalentes Studio (clássicos).
Categoria | Módulo de estúdio (clássico) | Componente de designer de substituição |
---|---|---|
Entrada e saída de dados | - Insira dados manualmente - Exportar dados - Importação de dados - Modelo de carga treinada - Descompacte conjuntos de dados compactados |
- Insira dados manualmente - Exportar dados - Importação de dados |
Conversões de formato de dados | - Converter para CSV - Converter em conjunto de dados - Converter para ARFF - Converter para SVMLight - Converter para TSV |
- Converter para CSV - Converter em conjunto de dados |
Transformação de dados – Manipulação | - Adicionar colunas - Adicionar linhas - Aplicar transformação SQL - Limpar dados ausentes - Converter em valores indicadores - Editar metadados - Juntar dados - Remover linhas duplicadas - Selecionar colunas no conjunto de dados - Selecionar colunas transformar - SMOTE - Valores categóricos do grupo |
- Adicionar colunas - Adicionar linhas - Aplicar transformação SQL - Limpar dados ausentes - Converter em valores indicadores - Editar metadados - Juntar dados - Remover linhas duplicadas - Selecionar colunas no conjunto de dados - Selecionar colunas transformar - SMOTE |
Transformação de dados – Dimensione e reduza | - Valores de clipe - Agrupar dados em compartimentos - Normalizar dados - Análise de componentes principais |
- Valores de clipe - Agrupar dados em compartimentos - Normalizar dados |
Transformação de dados – Amostra e divisão | - Partição e amostra - Dividir dados |
- Partição e amostra - Dividir dados |
Transformação de dados – Filtrar | - Aplicar filtro - Filtro FIR - Filtro IIR - Filtro mediano - Filtro de média móvel - Filtro de limiar - Filtro definido pelo usuário |
|
Transformação de dados – Aprender com contagens | - Construir transformação de contagem - Tabela de contagem de exportação - Tabela de contagem de importação - Transformar contagem de mesclagem - Modificar parâmetros da tabela de contagem |
|
Seleção de funcionalidades | - Seleção de recursos baseada em filtros - Análise discriminante linear de Fisher - Importância da característica de permutação |
- Seleção de recursos baseada em filtros - Importância da característica de permutação |
Modelo – Classificação | - Floresta de decisão multiclasse - Selva de decisão multiclasse - Regressão logística multiclasse - Rede neural multiclasse - Multiclasse um-vs-todos - Perceptron médio de duas classes - Máquina de ponto Bayes de duas classes - Árvore de decisão impulsionada de duas classes - Floresta de decisão de duas classes - Selva de decisão de duas classes - SVM localmente profundo de duas classes - Regressão logística de duas classes - Rede neural de duas classes - Máquina vetorial de suporte de duas classes |
- Floresta de decisão multiclasse - Árvore de decisão de impulso multiclasse - Regressão logística multiclasse - Rede neural multiclasse - Multiclasse um-vs-todos - Perceptron médio de duas classes - Árvore de decisão impulsionada de duas classes - Floresta de decisão de duas classes - Regressão logística de duas classes - Rede neural de duas classes - Máquina vetorial de suporte de duas classes |
Modelo – Clustering | - K-significa agrupamento | - K-significa agrupamento |
Modelo – Regressão | - Regressão linear bayesiana - Regressão da árvore de decisão impulsionada - Regressão florestal de decisão - Regressão quantílica rápida da floresta - Regressão linear - Regressão de redes neurais - Regressão ordinal - Regressão de Poisson |
- Regressão da árvore de decisão impulsionada - Regressão florestal de decisão - Regressão quantílica rápida da floresta - Regressão linear - Regressão de redes neurais - Regressão de Poisson |
Modelo – Deteção de anomalias | - SVM de uma classe - Deteção de anomalias baseada em PCA |
- Deteção de anomalias baseada em PCA |
Machine Learning – Avaliar | - Modelo de validação cruzada - Avaliar modelo - Avaliar recomendação |
- Modelo de validação cruzada - Avaliar modelo - Avaliar recomendação |
Machine Learning – Comboio | - Varredura de agrupamento - Modelo de deteção de anomalias do trem - Modelo de agrupamento de comboios - Recomendação de caixa de fósforos de trem - Modelo do comboio - Sintonizar hiperparâmetros do modelo |
- Modelo de deteção de anomalias do trem - Modelo de agrupamento de comboios - Modelo de comboio - Trem modelo PyTorch - Recomendação de trem SVD - Recomendador de treinamento amplo e profundo - Sintonizar hiperparâmetros do modelo |
Machine Learning – Pontuação | - Aplicar transformação - Atribuir dados a clusters - Recomendação de caixa de fósforos de pontuação - Modelo de pontuação |
- Aplicar transformação - Atribuir dados a clusters - Modelo de imagem de pontuação - Modelo de pontuação - Recomendação de pontuação SVD - Recomendação ampla e profunda |
Módulos de biblioteca OpenCV | - Importar imagens - Classificação de imagens em cascata pré-treinada |
|
Módulos de linguagem Python | - Executar script Python | - Executar script Python - Criar modelo Python |
Módulos de linguagem R | - Executar script R - Criar modelo R |
- Executar script R |
Funções estatísticas | - Aplicar operação matemática - Calcular estatísticas elementares - Correlação linear computacional - Avaliar a função de probabilidade - Substitua valores discretos - Resumir dados - Hipótese de teste usando t-Test |
- Aplicar operação matemática - Resumir dados |
Análise de texto | - Detetar idiomas - Extrair frases-chave do texto - Extrair recursos de N-grama do texto - Hashing de recursos - Atribuição de dirichlet latente - Reconhecimento da entidade nomeada - Pré-processar texto - Score vVowpal Wabbit versão 7-10 modelo - Score Vowpal Wabbit versão 8 modelo - Trem Vowpal Wabbit versão 7-10 modelo - Trem Vowpal Wabbit versão 8 modelo |
- Converter Word em vetor - Extrair recursos de N-grama do texto - Hashing de recursos - Atribuição de dirichlet latente - Pré-processar texto - Modelo Score Vowpal Wabbit - Trem Vowpal Wabbit modelo |
Séries cronológicas | - Deteção de anomalias em séries cronológicas | |
Serviço Web | - Entrada - Saída |
- Entrada - Saída |
Imagem digitalizada | - Aplicar transformação de imagem - Converter para diretório de imagem - Transformação de imagem Init - Diretório de imagem dividido - Classificação de imagens DenseNet - Classificação de imagens ResNet |
Para obter mais informações sobre como usar componentes individuais do designer, consulte a referência do componente Algorithm Processor.
E se um componente de designer estiver faltando?
O designer do Azure Machine Learning contém os módulos mais populares do Studio (clássico). Também inclui novos módulos que tiram partido das mais recentes técnicas de aprendizagem automática.
Se sua migração estiver bloqueada devido à falta de módulos no designer, entre em contato conosco criando um tíquete de suporte.
Exemplo de migração
O exemplo de migração a seguir destaca algumas das diferenças entre o Studio (clássico) e o Azure Machine Learning.
Conjuntos de Dados
No Studio (clássico), os conjuntos de dados eram salvos em seu espaço de trabalho e só podiam ser usados pelo Studio (clássico).
No Azure Machine Learning, os conjuntos de dados são registrados no espaço de trabalho e podem ser usados em todo o Azure Machine Learning. Para obter mais informações sobre os benefícios dos conjuntos de dados do Azure Machine Learning, consulte Dados no Azure Machine Learning.
Pipeline
No Studio (clássico), os experimentos continham a lógica de processamento para o seu trabalho. Você criou experimentos com módulos de arrastar e soltar.
No Azure Machine Learning, os pipelines contêm a lógica de processamento para o seu trabalho. Você pode criar pipelines com módulos de arrastar e soltar ou escrevendo código.
Pontos de extremidade de serviço Web
O Studio (clássico) usou REQUEST/RESPOND API para previsão em tempo real e BATCH EXECUTION API para previsão ou retreinamento de lotes.
O Azure Machine Learning usa pontos de extremidade em tempo real (pontos de extremidade gerenciados) para previsão em tempo real e pontos de extremidade de pipeline para previsão ou retreinamento em lote.
Conteúdos relacionados
Neste artigo, você aprendeu os requisitos de alto nível para migrar para o Azure Machine Learning. Para obter etapas detalhadas, consulte os outros artigos da série de migração (clássica) do Machine Learning Studio:
- Migrar um conjunto de dados do Studio (clássico)
- Reconstruir uma experiência de estúdio (clássica)
- Reconstruir um serviço Web Studio (clássico)
- Consuma pontos de extremidade de pipeline de aplicativos cliente.
- Migrar módulos Execute R Script
Para obter mais recursos de migração, consulte a Estrutura de Adoção do Azure Machine Learning.
Comentários
https://aka.ms/ContentUserFeedback.
Brevemente: Ao longo de 2024, vamos descontinuar progressivamente o GitHub Issues como mecanismo de feedback para conteúdos e substituí-lo por um novo sistema de feedback. Para obter mais informações, veja:Submeter e ver comentários