Como um modelo de Estúdio de Aprendizado de Máquina (clássico) progride de um experimento 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).
- Consulte informações sobre como mover projetos de aprendizado de máquina 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 permite desenvolver, executar, testar e iterar um experimento que representa um modelo de análise preditiva. Há uma grande variedade de módulos disponíveis que podem:
- Introduzir dados na sua experiência
- Manipular os dados
- Treinar um modelo usando algoritmos de aprendizado de máquina
- Classificar o modelo
- Avaliar os resultados
- Valores finais de saída
Quando estiver satisfeito com seu experimento, você poderá implantá-lo como um serviço Web de Aprendizado de Máquina (clássico) ou um serviço Web de Aprendizado de Máquina do Azure para que os usuários possam enviar novos dados e receber resultados de volta.
Neste artigo, apresentamos uma visão geral da mecânica de como seu modelo de Machine Learning progride de um experimento de desenvolvimento para um serviço Web operacionalizado.
Nota
Há outras maneiras de desenvolver e implantar modelos de aprendizado de máquina, mas este artigo se concentra em como você usa o Machine Learning Studio (clássico). Por exemplo, para ler uma descrição de como criar um serviço Web preditivo clássico com R, consulte a postagem de blog Build & Deploy Predictive Web Apps Using RStudio e Azure Machine Learning studio.
Embora o Machine Learning Studio (clássico) seja projetado para ajudá-lo a desenvolver e implantar um modelo de análise preditiva, é possível usar o Studio (clássico) para desenvolver um experimento que não inclua um modelo de análise preditiva. Por exemplo, um experimento pode apenas inserir dados, manipulá-los e, em seguida, produzir os resultados. Assim como um experimento de análise preditiva, você pode implantar esse experimento não preditivo como um serviço Web, mas é um processo mais simples porque o experimento não está treinando ou pontuando um modelo de aprendizado de máquina. Embora não seja típico usar o Studio (clássico) desta forma, vamos incluí-lo na discussão para que possamos dar uma explicação completa de como o Studio (clássico) funciona.
Desenvolvendo e implantando um serviço Web preditivo
Aqui estão os estágios que uma solução típica segue ao desenvolvê-la e implantá-la usando o Machine Learning Studio (clássico):
Figura 1 - Etapas de um modelo típico de análise preditiva
A experiência de treino
O experimento de treinamento é a fase inicial do desenvolvimento de seu serviço Web no Machine Learning Studio (clássico). O objetivo do experimento de treinamento é dar a você um lugar para desenvolver, testar, iterar e, eventualmente, treinar um modelo de aprendizado de máquina. Você pode até treinar vários modelos simultaneamente enquanto procura a melhor solução, mas assim que terminar de experimentar, você selecionará um único modelo treinado e eliminará o restante do experimento. Para obter um exemplo de desenvolvimento de um experimento de análise preditiva, consulte Desenvolver uma solução de análise preditiva para avaliação de risco de crédito no Machine Learning Studio (clássico).
A experiência preditiva
Depois de ter um modelo treinado em seu experimento de treinamento, clique em Configurar Serviço Web e selecione Serviço Web Preditivo no Estúdio de Aprendizado de Máquina (clássico) para iniciar o processo de conversão do experimento de treinamento em um experimento preditivo. O objetivo do experimento preditivo é usar seu modelo treinado para pontuar novos dados, com o objetivo de eventualmente se tornar operacionalizado como um serviço Web do Azure.
Essa conversão é feita para você através das seguintes etapas:
- Converta o conjunto de módulos usados para treinamento em um único módulo e salve-o como um modelo treinado
- Elimine quaisquer módulos estranhos não relacionados com a pontuação
- Adicionar portas de entrada e saída que o eventual serviço Web usará
Pode haver mais alterações que você deseja fazer para preparar seu experimento preditivo para implantar como um serviço Web. Por exemplo, se desejar que o serviço Web produza apenas um subconjunto de resultados, você poderá adicionar um módulo de filtragem antes da porta de saída.
Neste processo de conversão, a experiência de treinamento não é descartada. Quando o processo estiver concluído, você terá duas guias no Studio (clássicas): uma para o experimento de treinamento e outra para o experimento preditivo. Dessa forma, você pode fazer alterações no experimento de treinamento antes de implantar seu serviço Web e reconstruir o experimento preditivo. Ou você pode salvar uma cópia do experimento de treinamento para iniciar outra linha de experimentação.
Nota
Ao clicar em Serviço Web Preditivo , você inicia um processo automático para converter seu experimento de treinamento em um experimento preditivo, e isso funciona bem na maioria dos casos. Se o seu experimento de treinamento for complexo (por exemplo, você tem vários caminhos para treinamento que você une), talvez você prefira fazer essa conversão manualmente. Para obter mais informações, consulte Como preparar seu modelo para implantação no Machine Learning Studio (clássico).
O serviço Web
Quando estiver satisfeito que seu experimento preditivo está pronto, você poderá implantar seu serviço como um serviço Web clássico ou um novo serviço Web baseado no Gerenciador de Recursos do Azure. Para operacionalizar seu modelo implantando-o como um serviço Web Classic Machine Learning, clique em Implantar Serviço Web e selecione Implantar Serviço Web [Clássico]. Para implantar como Novo Serviço Web de Aprendizado de Máquina, clique em Implantar Serviço Web e selecione Implantar Serviço Web [Novo]. Os usuários agora podem enviar dados para seu modelo usando a API REST do serviço Web e receber de volta os resultados. Para obter mais informações, consulte Como consumir um serviço Web de Aprendizado de Máquina.
O caso atípico: criando um serviço Web não preditivo
Se seu experimento não treinar um modelo de análise preditiva, você não precisará criar um experimento de treinamento e um experimento de pontuação - há apenas um experimento e você pode implantá-lo como um serviço Web. O Machine Learning Studio (clássico) deteta se seu experimento contém um modelo preditivo analisando os módulos que você usou.
Depois de iterar seu experimento e ficar satisfeito com ele:
- Clique em Configurar Serviço Web e selecione Retreinamento de Serviço Web - nós de entrada e saída são adicionados automaticamente
- Clique em Executar
- Clique em Implantar Serviço Web e selecione Implantar Serviço Web [Clássico] ou Implantar Serviço Web [Novo], dependendo do ambiente no qual você deseja implantar.
Seu serviço Web agora está implantado e você pode acessá-lo e gerenciá-lo como um serviço Web preditivo.
Atualizando seu serviço Web
Agora que você implantou seu experimento como um serviço Web, e se precisar atualizá-lo?
Isso depende do que você precisa atualizar:
Você deseja alterar a entrada ou saída, ou deseja modificar como o serviço Web manipula dados
Se você não estiver alterando o modelo, mas apenas alterando a forma como o serviço Web lida com dados, poderá editar o experimento preditivo e clicar em Implantar Serviço Web e selecionar Implantar Serviço Web [Clássico] ou Implantar Serviço Web [Novo] novamente. O serviço Web é interrompido, o experimento preditivo atualizado é implantado e o serviço Web é reiniciado.
Aqui está um exemplo: Suponha que seu experimento preditivo retorna toda a linha de dados de entrada com o resultado previsto. Você pode decidir que deseja que o serviço Web apenas retorne o resultado. Assim, você pode adicionar um módulo Colunas do Projeto no experimento preditivo, logo antes da porta de saída, para excluir colunas diferentes do resultado. Quando você clica em Implantar Serviço Web e seleciona Implantar Serviço Web [Clássico] ou Implantar Serviço Web [Novo] novamente, o serviço Web é atualizado.
Você deseja treinar novamente o modelo com novos dados
Se você quiser manter seu modelo de aprendizado de máquina, mas quiser treiná-lo novamente com novos dados, você tem duas opções:
Retreinar o modelo enquanto o serviço Web está em execução - Se você quiser treinar novamente seu modelo enquanto o serviço Web preditivo está em execução, você pode fazer isso fazendo algumas modificações no experimento de treinamento para torná-lo um experimento de retreinamento, então você pode implantá-lo como um serviço Web de reciclagem. Para obter instruções sobre como fazer isso, consulte Retreinar modelos de Machine Learning programaticamente.
Volte ao experimento de treinamento original e use dados de treinamento diferentes para desenvolver seu modelo - Seu experimento preditivo está vinculado ao serviço Web, mas o experimento de treinamento não está diretamente vinculado dessa maneira. Se você modificar o experimento de treinamento original e clicar em Configurar Serviço Web, ele criará um novo experimento preditivo que, quando implantado, criará um novo serviço Web. Ele não apenas atualiza o serviço Web original.
Se você precisar modificar o experimento de treinamento, abra-o e clique em Salvar como para fazer uma cópia. Isso deixará intacto o experimento de treinamento original, o experimento preditivo e o serviço Web. Agora você pode criar um novo serviço Web com suas alterações. Depois de implantar o novo serviço Web, você pode decidir se interrompe o serviço Web anterior ou se o mantém em execução ao lado do novo.
Você quer treinar um modelo diferente
Se você quiser fazer alterações em seu experimento preditivo original, como selecionar um algoritmo de aprendizado de máquina diferente, tentar um método de treinamento diferente, etc., então você precisa seguir o segundo procedimento descrito acima para retreinar seu modelo: abra o experimento de treinamento, clique em Salvar como para fazer uma cópia e, em seguida, comece o novo caminho de desenvolvimento do seu modelo, criando o experimento preditivo e implantando o serviço Web. Isso criará um novo serviço Web não relacionado ao original - você pode decidir qual deles, ou ambos, continuar em execução.
Próximos passos
Para obter mais detalhes sobre o processo de desenvolvimento e experimentação, consulte os seguintes artigos:
- convertendo o experimento - Como preparar seu modelo para implantação no Machine Learning Studio (clássico)
- implantando o serviço Web - Implantar um serviço Web de Aprendizado de Máquina
- retreinar o modelo - Retreinar modelos de Machine Learning programaticamente
Para exemplos de todo o processo, consulte: