Azure Machine Learning nedir?

Azure Machine Learning, makine öğrenmesi (ML) proje yaşam döngüsünü hızlandırmaya ve yönetmeye yönelik bir bulut hizmetidir. ML uzmanları, veri bilimcileri ve mühendisler, modelleri eğitmek ve dağıtmak ve makine öğrenmesi işlemlerini (MLOps) yönetmek için günlük iş akışlarında kullanabilir.

Machine Learning'de model oluşturabilir veya PyTorch, TensorFlow veya scikit-learn gibi açık kaynak bir platformdan oluşturulmuş bir modeli kullanabilirsiniz. MLOps araçları modelleri izlemenize, yeniden eğitmenize ve yeniden dağıtmanıza yardımcı olur.

İpucu

Ücretsiz deneme! Azure aboneliğiniz yoksa başlamadan önce ücretsiz bir hesap oluşturun. Azure Machine Learning'in ücretsiz veya ücretli sürümünü deneyin. Azure hizmetlerinde harcayabileceğiniz krediler alırsınız. Krediler bittikten sonra hesabı tutabilir ve ücretsiz Azure hizmetlerini kullanabilirsiniz. Açıkça ayarlarınızı değiştirip ücretlendirme istemediğiniz sürece kredi kartınız asla ücretlendirilmez.

Azure Machine Learning kimin için?

Machine Learning, ml modellerini güvenli ve denetlenebilir bir üretim ortamında üretime getirmek için mlOps'yi kuruluşlarında uygulayan kişilere ve ekiplere yöneliktir.

Veri bilimciler ve ML mühendisleri günlük iş akışlarını hızlandırmak ve otomatikleştirmek için araçları kullanabilir. Uygulama geliştiricileri, modelleri uygulamalar veya hizmetlerle tümleştirmek için araçlar kullanabilir. Platform geliştiricileri, gelişmiş ML araçları oluşturmak için dayanıklı Azure Resource Manager API'leri tarafından desteklenen güçlü bir araç kümesi kullanabilir.

Microsoft Azure bulutunda çalışan kuruluşlar altyapı için tanıdık güvenlik ve rol tabanlı erişim denetimini kullanabilir. Korumalı verilere erişimi reddedecek bir proje ayarlayabilir ve işlemleri seçebilirsiniz.

Ekipte herkes için üretkenlik

ML projeleri genellikle oluşturmak ve sürdürmek için çeşitli beceri kümesine sahip bir ekip gerektirir. Machine Learning'de şunları yapmanızı sağlayan araçlar vardır:

  • Paylaşılan not defterleri, işlem kaynakları, sunucusuz işlem, veri ve ortamlar aracılığıyla ekibinizle işbirliği yapma

  • Köken ve denetim uyumluluk gereksinimlerini karşılamak için eşitlik ve açıklanabilirlik, izleme ve denetlenebilirlik için modeller geliştirme

  • ML modellerini uygun ölçekte hızlı ve kolay bir şekilde dağıtma ve MLOps ile bunları verimli bir şekilde yönetme ve yönetme

  • Yerleşik idare, güvenlik ve uyumluluk ile makine öğrenmesi iş yüklerini her yerde çalıştırma

İhtiyaçlarınızı karşılayan uyumlu platform araçları

ML ekibindeki herkes, işi yapmak için tercih ettiği araçları kullanabilir. Hızlı denemeler, hiper parametre ayarlama, işlem hatları oluşturma veya çıkarımları yönetme gibi işlemleri gerçekleştirirken aşağıdakiler gibi tanıdık arabirimleri kullanabilirsiniz:

Modeli iyileştirdiğiniz ve Machine Learning geliştirme döngüsünün geri kalanında başkalarıyla işbirliği yaptığınız için Machine Learning studio kullanıcı arabiriminde projelerinizin varlıklarını, kaynaklarını ve ölçümlerini paylaşabilir ve bulabilirsiniz.

Studio

Machine Learning Studio , herhangi bir şey yüklemek zorunda kalmadan projenin türüne ve geçmiş ML deneyiminizin düzeyine bağlı olarak birden fazla yazma deneyimi sunar.

  • Not defterleri: Doğrudan stüdyoyla tümleştirilmiş yönetilen Jupyter Notebook sunucularında kendi kodunuzu yazın ve çalıştırın.

  • Çalıştırma ölçümlerini görselleştirme: Görselleştirme ile denemelerinizi analiz edin ve iyileştirin.

    Screenshot that shows metrics for a training run.

  • Azure Machine Learning tasarımcısı: Tasarımcıyı kullanarak kod yazmadan ML modellerini eğitin ve dağıtın. ML işlem hatları oluşturmak için veri kümelerini ve bileşenleri sürükleyip bırakın.

  • Otomatik makine öğrenmesi kullanıcı arabirimi: Kullanımı kolay bir arabirimle otomatik ML denemeleri oluşturmayı öğrenin.

  • Veri etiketleme: Görüntü etiketleme veya metin etiketleme projelerini verimli bir şekilde koordine etmek için Machine Learning veri etiketlemesini kullanın.

Kurumsal kullanıma hazır olma ve güvenlik

Machine Learning, ML projelerine güvenlik eklemek için Azure bulut platformuyla tümleştirilir.

Güvenlik tümleştirmeleri şunları içerir:

  • Azure, ağ güvenlik gruplarıyla Sanal Ağ.
  • Depolama hesapları için erişim bilgileri gibi güvenlik gizli dizilerini kaydedebileceğiniz Azure Key Vault.
  • Azure Container Registry bir sanal ağın arkasında ayarlanır.

Daha fazla bilgi için bkz . Öğretici: Güvenli bir çalışma alanı ayarlama.

Eksiksiz çözümler için Azure tümleştirmeleri

Azure hizmetleriyle yapılan diğer tümleştirmeler bir ML projesini uçtan uca destekler. Bu ölçümler şunlardır:

  • Spark ile verileri işlemek ve akışa almak için kullanılan Azure Synapse Analytics.
  • Azure Arc, Azure hizmetlerini bir Kubernetes ortamında çalıştırabileceğiniz yerdir.
  • Azure SQL Veritabanı ve Azure Blob Depolama gibi Depolama ve veritabanı seçenekleri.
  • ml destekli uygulamaları dağıtmak ve yönetmek için kullanabileceğiniz Azure Uygulaması Hizmeti.
  • Microsoft Purview, kuruluşunuz genelindeki veri varlıklarını bulmanızı ve kataloglaymanızı sağlar.

Önemli

Azure Machine Learning, verilerinizi dağıttığınız bölgenin dışında depolamaz veya işlemez.

Makine öğrenmesi projesi iş akışı

Modeller genellikle hedef ve hedeflere sahip bir projenin parçası olarak geliştirilir. Projeler genellikle birden fazla kişiyi içerir. Verilerle, algoritmalarla ve modellerle denemeler yaptığınızda geliştirme yinelemeli olur.

Proje yaşam döngüsü

Proje yaşam döngüsü projeye göre farklılık gösterebilir, ancak genellikle bu diyagram gibi görünür.

Diagram that shows the machine learning project lifecycle

Çalışma alanı bir projeyi düzenler ve ortak bir hedef doğrultusunda çalışan birçok kullanıcı için işbirliğine olanak tanır. Çalışma alanında bulunan kullanıcılar, çalıştırmalarının sonuçlarını stüdyo kullanıcı arabirimindeki denemelerden kolayca paylaşabilir. Ya da ortamlar ve depolama başvuruları gibi işler için sürümlenmiş varlıkları kullanabilirler.

Daha fazla bilgi için bkz . Azure Machine Learning çalışma alanlarını yönetme.

Proje kullanıma hazır olduğunda, kullanıcıların çalışmaları ml işlem hattında otomatikleştirilebilir ve zamanlamaya veya HTTPS isteğine göre tetiklenebilir.

Modelleri hem gerçek zamanlı hem de toplu dağıtımlar için yönetilen çıkarım çözümüne dağıtabilir ve genellikle modelleri dağıtmak için gereken altyapı yönetimini soyutlayabilirsiniz.

Modelleri eğitme

Azure Machine Learning'de eğitim betiğinizi bulutta çalıştırabilir veya sıfırdan bir model oluşturabilirsiniz. Müşteriler genellikle açık kaynak çerçevelerde oluşturup eğittikleri modelleri bulutta kullanıma hazır hale getirebilmeleri için getirir.

Açık ve birlikte çalışabilir

Veri bilimciler Azure Machine Learning'de ortak Python çerçevelerinde oluşturdukları modelleri kullanabilir, örneğin:

  • PyTorch
  • TensorFlow
  • scikit-learn
  • XGBoost
  • LightGBM

Diğer diller ve çerçeveler de desteklenir:

  • R
  • .NET

Daha fazla bilgi için bkz . Azure Machine Learning ile açık kaynak tümleştirmesi.

Otomatik özellik geliştirme ve algoritma seçimi

Klasik ML'de yinelenen, zaman alan bir süreçte veri bilimcileri eğitim için doğru veri özellik kazandırma ve algoritmayı seçmek için önceki deneyimi ve sezgiyi kullanır. Otomatik ML (AutoML) bu işlemi hızlandırır. Bunu Machine Learning studio kullanıcı arabirimi veya Python SDK'sı aracılığıyla kullanabilirsiniz.

Daha fazla bilgi için bkz . Otomatik makine öğrenmesi nedir?.

Hiper parametre iyileştirmesi

Hiper parametre iyileştirme veya hiper parametre ayarlama, yorucu bir görev olabilir. Machine Learning, iş tanımınızda çok az değişiklikle rastgele parametreli komutlar için bu görevi otomatikleştirebilir. Sonuçlar stüdyoda görselleştirilir.

Daha fazla bilgi için bkz . Hiper parametreleri ayarlama.

Çok düğümlü dağıtılmış eğitim

Derin öğrenme ve bazen klasik makine öğrenmesi eğitim işleri için eğitimin verimliliği, çok düğümlü dağıtılmış eğitim aracılığıyla önemli ölçüde geliştirilebilir. Azure Machine Learning işlem kümeleri ve sunucusuz işlem , en son GPU seçeneklerini sunar.

Azure Machine Learning Kubernetes, Azure Machine Learning işlem kümeleri ve sunucusuz işlem aracılığıyla desteklenir:

  • PyTorch
  • TensorFlow
  • MPI

Horovod veya özel çok düğümlü mantık için MPI dağıtımı kullanabilirsiniz. Apache Spark sunucusuz Spark işlemi ve Azure Synapse Analytics Spark kümelerini kullanan ekli Synapse Spark havuzu aracılığıyla desteklenir.

Daha fazla bilgi için bkz . Azure Machine Learning ile dağıtılmış eğitim.

Utanç verici derecede paralel eğitim

ML projesini ölçeklendirmek için utanç verici derecede paralel model eğitimini ölçeklendirmeniz gerekebilir. Bu düzen, bir modelin birçok mağaza için eğitilebileceği talebi tahmin etme gibi senaryolarda yaygındır.

Modelleri dağıtma

Bir modeli üretime getirmek için modeli dağıtırsınız. Azure Machine Learning yönetilen uç noktaları, hem toplu hem de gerçek zamanlı (çevrimiçi) model puanlaması (çıkarım) için gerekli altyapıyı soyutlar.

Gerçek zamanlı ve toplu puanlama (çıkarım)

Toplu puanlama veya toplu çıkarım, verilere başvuru içeren bir uç nokta çağırmayı içerir. Toplu iş uç noktası, verileri işlem kümelerinde paralel olarak işlemek ve daha fazla analiz için verileri depolamak için işleri zaman uyumsuz olarak çalıştırır.

Gerçek zamanlı puanlama veya çevrimiçi çıkarım, bir veya daha fazla model dağıtımına sahip bir uç noktayı çağırmayı ve HTTPS aracılığıyla neredeyse gerçek zamanlı yanıt almayı içerir. Trafik birden çok dağıtıma bölünerek başlangıçta bir miktar trafiğin yönünü değiştirerek ve yeni modele güven oluşturulduktan sonra artarak yeni model sürümlerini test edebilirsiniz.

Daha fazla bilgi için bkz.

MLOps: Makine öğrenmesi için DevOps

Genellikle MLOps olarak adlandırılan ML modelleri için DevOps, üretim için model geliştirmeye yönelik bir süreçtir. Modelin eğitimden dağıtıma kadar yaşam döngüsü, yeniden üretilmediyse denetlenebilir olmalıdır.

ML modeli yaşam döngüsü

Diagram that shows the machine learning model lifecycle * MLOps.

Azure Machine Learning'de MLOps hakkında daha fazla bilgi edinin.

MLOP'ları etkinleştiren tümleştirmeler

Machine Learning, model yaşam döngüsü göz önünde bulundurularak oluşturulur. Modelin yaşam döngüsünü belirli bir işlemeye ve ortama kadar denetleyebilirsiniz.

MLOps'yi etkinleştiren bazı önemli özellikler şunlardır:

  • git Entegrasyon.
  • MLflow tümleştirmesi.
  • Makine öğrenmesi işlem hattı zamanlaması.
  • Özel tetikleyiciler için Azure Event Grid tümleştirmesi.
  • GitHub Actions veya Azure DevOps gibi CI/CD araçlarıyla kullanım kolaylığı.

Machine Learning ayrıca izleme ve denetim özellikleri de içerir:

  • Kod anlık görüntüleri, günlükler ve diğer çıkışlar gibi iş yapıtları.
  • kapsayıcılar, veriler ve işlem kaynakları gibi işler ve varlıklar arasındaki köken.

Apache Airflow kullanıyorsanız, airflow-provider-azure-machinelearning paketi Apache AirFlow'dan Azure Machine Learning'e iş akışı göndermenizi sağlayan bir sağlayıcıdır.

Sonraki adımlar

Azure Machine Learning'i kullanmaya başlayın: