Como um modelo do Machine Learning Studio (clássico) progride de uma experimentação para um serviço Web

APLICA-SE A:Machine Learning Studio (clássico) Azure Machine Learning

Importante

O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.

A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).

• Veja informações sobre como mover projetos de machine learning do ML Studio (clássico) para o Azure Machine Learning.
• Saiba mais sobre o Azure Machine Learning

A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.

O Machine Learning Studio (clássico) fornece uma tela interativa que lhe permite desenvolver, executar, testar e iterar uma experimentação que representa um modelo de análise preditiva. Existem vários módulos disponíveis que podem:

• Introduzir dados na experimentação
• Manipular os dados
• Preparar um modelo com algoritmos de machine learning
• Classificar o modelo
• Avaliar os resultados
• Valores finais de saída

Assim que estiver satisfeito com a sua experimentação, pode implementá-la como um serviço Web Machine Learning (clássico) ou um serviço Web do Azure Machine Learning para que os utilizadores possam enviar-lhe novos dados e receber resultados.

Neste artigo, apresentamos uma descrição geral da mecânica de como o seu modelo de Machine Learning progride de uma experimentação de desenvolvimento para um serviço Web operacionalizado.

Nota

Existem outras formas de desenvolver e implementar modelos de machine learning, mas este artigo foca-se na forma como utiliza o Machine Learning Studio (clássico). Por exemplo, para ler uma descrição de como criar um serviço Web preditivo clássico com R, veja a publicação de blogue Build & Deploy Predictive Aplicações Web Using RStudio and estúdio do Azure Machine Learning (Criar & Implementar Aplicações Web Preditiva com rStudio e estúdio do Azure Machine Learning.

Embora o Machine Learning Studio (clássico) tenha sido concebido para o ajudar a desenvolver e implementar um modelo de análise preditiva, é possível utilizar o Studio (clássico) para desenvolver uma experimentação que não inclua um modelo de análise preditiva. Por exemplo, uma experimentação pode apenas introduzir dados, manipulá-los e, em seguida, produzir os resultados. Tal como uma experimentação de análise preditiva, pode implementar esta experimentação não preditiva como um serviço Web, mas é um processo mais simples porque a experimentação não está a preparar ou a marcar um modelo de machine learning. Embora não seja típico utilizar o Studio (clássico) desta forma, vamos incluí-lo no debate para que possamos dar uma explicação completa sobre como o Studio (clássico) funciona.

Desenvolver e implementar um serviço Web preditivo

Eis as fases que uma solução típica segue à medida que a desenvolve e implementa com o Machine Learning Studio (clássico):

Figura 1 - Fases de um modelo de análise preditiva típico

A experimentação de preparação

A experimentação de preparação é a fase inicial de desenvolvimento do seu serviço Web no Machine Learning Studio (clássico). O objetivo da experimentação de preparação é dar-lhe um local para desenvolver, testar, iterar e, eventualmente, preparar um modelo de machine learning. Pode até preparar vários modelos em simultâneo à medida que procura a melhor solução, mas assim que terminar a experimentação, irá selecionar um único modelo preparado e eliminar o resto da experimentação. Para obter um exemplo de desenvolvimento de uma experimentação de análise preditiva, veja Desenvolver uma solução de análise preditiva para avaliação de riscos de crédito no Machine Learning Studio (clássico).

A experimentação preditiva

Depois de ter um modelo preparado na experimentação de preparação, clique em Configurar Serviço Web e selecione Serviço Web Preditivo no Machine Learning Studio (clássico) para iniciar o processo de conversão da experimentação de preparação numa experimentação preditiva. O objetivo da experimentação preditiva é utilizar o modelo preparado para classificar novos dados, com o objetivo de, eventualmente, ser operacionalizado como um serviço Web do Azure.

Esta conversão é feita por si através dos seguintes passos:

• Converter o conjunto de módulos utilizados para a preparação num único módulo e guardá-lo como um modelo preparado
• Eliminar quaisquer módulos desnecessários que não estejam relacionados com a classificação
• Adicionar portas de entrada e saída que o serviço Web eventual irá utilizar

Poderá haver mais alterações que pretende fazer para preparar a sua experimentação preditiva para implementar como um serviço Web. Por exemplo, se quiser que o serviço Web produza apenas um subconjunto de resultados, pode adicionar um módulo de filtragem antes da porta de saída.

Neste processo de conversão, a experimentação de preparação não é eliminada. Quando o processo estiver concluído, terá dois separadores no Studio (clássico): um para a experimentação de preparação e outro para a experimentação preditiva. Desta forma, pode fazer alterações à experimentação de preparação antes de implementar o seu serviço Web e reconstruir a experimentação preditiva. Em alternativa, pode guardar uma cópia da experimentação de preparação para iniciar outra linha de experimentação.

Nota

Quando clica em Serviço Web Preditivo , inicia um processo automático para converter a experimentação de preparação numa experimentação preditiva, o que funciona bem na maioria dos casos. Se a experimentação de preparação for complexa (por exemplo, tem vários caminhos para a preparação em conjunto), poderá preferir efetuar esta conversão manualmente. Para obter mais informações, veja Como preparar o modelo para implementação no Machine Learning Studio (clássico).

O serviço Web

Assim que estiver satisfeito com o facto de a sua experimentação preditiva estar pronta, pode implementar o seu serviço como um serviço Web Clássico ou um Novo serviço Web com base no Azure Resource Manager. Para operacionalizar o seu modelo ao implementá-lo como um serviço Web clássico do Machine Learning, clique em Implementar Serviço Web e selecione Implementar Serviço Web [Clássico]. Para implementar como Novo serviço Web machine learning, clique em Implementar Serviço Web e selecione Implementar Serviço Web [Novo]. Os utilizadores podem agora enviar dados para o seu modelo através da API REST do serviço Web e receber de volta os resultados. Para obter mais informações, veja Como consumir um serviço Web do Machine Learning.

O caso não típico: criar um serviço Web não preditivo

Se a sua experimentação não preparar um modelo de análise preditiva, não precisa de criar uma experimentação de preparação e uma experimentação de classificação. Existe apenas uma experimentação e pode implementá-la como um serviço Web. O Machine Learning Studio (clássico) deteta se a experimentação contém um modelo preditivo ao analisar os módulos que utilizou.

Depois de iterar na sua experimentação e estar satisfeito com a mesma:

1. Clique em Configurar Serviço Web e selecione Voltar a preparar o Serviço Web – os nós de entrada e saída são adicionados automaticamente
2. Clique em Executar
3. Clique em Implementar Serviço Web e selecione Implementar Serviço Web [Clássico] ou Implementar Serviço Web [Novo] consoante o ambiente para o qual pretende implementar.

O seu serviço Web está agora implementado e pode aceder e geri-lo tal como um serviço Web preditivo.

Atualizar o seu serviço Web

Agora que implementou a experimentação como um serviço Web, e se precisar de atualizá-la?

Depende do que precisa de atualizar:

Quer alterar a entrada ou a saída ou quer modificar a forma como o serviço Web manipula os dados

Se não estiver a alterar o modelo, mas estiver apenas a alterar a forma como o serviço Web processa os dados, pode editar a experimentação preditiva e, em seguida, clicar em Implementar Serviço Web e selecionar Implementar o Serviço Web [Clássico] ou Implementar o Serviço Web [Novo] novamente. O serviço Web é parado, a experimentação preditiva atualizada é implementada e o serviço Web é reiniciado.

Eis um exemplo: suponha que a sua experimentação preditiva devolve toda a linha de dados de entrada com o resultado previsto. Pode decidir que pretende que o serviço Web devolva o resultado. Assim, pode adicionar um módulo Colunas do Projeto na experimentação preditiva, imediatamente antes da porta de saída, para excluir colunas que não o resultado. Quando clica em Implementar Serviço Web e seleciona Implementar Serviço Web [Clássico] ou Implementar o Serviço Web [Novo] novamente, o serviço Web é atualizado.

Quer voltar a preparar o modelo com novos dados

Se quiser manter o modelo de machine learning, mas quiser voltar a treiná-lo com novos dados, tem duas opções:

1. Preparar novamente o modelo enquanto o serviço Web está em execução – se quiser voltar a preparar o seu modelo enquanto o serviço Web preditivo está em execução, pode fazê-lo ao fazer algumas modificações à experimentação de preparação para torná-lo uma experimentação de nova preparação, então pode implementá-lo como um serviço Web de nova preparação. Para obter instruções sobre como fazê-lo, veja Retrain Machine Learning models programmatically (Preparar novamente modelos do Machine Learning através de programação).

2. Voltar à experimentação de preparação original e utilize dados de preparação diferentes para desenvolver o seu modelo – a sua experimentação preditiva está ligada ao serviço Web, mas a experimentação de preparação não está diretamente ligada desta forma. Se modificar a experimentação de preparação original e clicar em Configurar Serviço Web, este criará uma nova experimentação preditiva que, quando implementada, irá criar um novo serviço Web. Não atualiza apenas o serviço Web original.

   Se precisar de modificar a experimentação de preparação, abra-a e clique em Guardar Como para fazer uma cópia. Isto deixará intacta a experimentação de preparação original, a experimentação preditiva e o serviço Web. Agora pode criar um novo serviço Web com as suas alterações. Depois de implementar o novo serviço Web, pode decidir se pretende parar o serviço Web anterior ou mantê-lo em execução juntamente com o novo.

Quer preparar um modelo diferente

Se quiser fazer alterações à sua experimentação preditiva original, como selecionar um algoritmo de machine learning diferente, experimentar um método de preparação diferente, etc., terá de seguir o segundo procedimento descrito acima para preparar novamente o modelo: abrir a experimentação de preparação, clicar em Guardar Como para fazer uma cópia e, em seguida, começar o novo caminho de desenvolvimento do modelo, criar a experimentação preditiva e implementar o serviço Web. Isto irá criar um novo serviço Web não relacionado com o original. Pode decidir qual, ou ambos, continuar a executar.

Passos seguintes

Para obter mais detalhes sobre o processo de desenvolvimento e experimentação, veja os seguintes artigos:

• converter a experimentação – Como preparar o modelo para implementação no Machine Learning Studio (clássico)
• implementar o serviço Web – Implementar um serviço Web do Machine Learning
• preparar novamente o modelo – Preparar novamente os modelos do Machine Learning programaticamente

Para obter exemplos de todo o processo, veja:

• Tutorial de machine learning: Criar a sua primeira experimentação no Machine Learning Studio (clássico)
• Instruções: desenvolver uma solução de análise preditiva para avaliação de riscos de crédito no Machine Learning Studio (clássico)