Koneoppiminen on tärkeä osa nykyaikaista sovelluskehitystä, joka korvaa suurimman osan aikaisemmasta toiminnasta monimutkaisten sääntömoottoreiden avulla ja laajentaa kattavuutta paljon laajempiin ongelmiin. Palvelut, kuten Azuren kognitiiviset palvelut, tarjoavat valmiita, esivalmistettuja malleja, jotka tukevat monia yleisiä käyttötapauksia, mutta monet muut tarvitsevat mukautettuja mallikehityksiä.
Mukautuminen ML: n kanssa
Kuinka voimme rakentaa mukautettuja koneoppimismalleja? Voit aloittaa yhdessä päässä käyttämällä tilastollisia analyysikieliä, kuten R, rakentaaksesi ja validoidaksesi malleja, joissa olet jo tuntenut tietosi taustalla olevan rakenteen, tai voit työskennellä Pythonin Anaconda-paketin lineaaristen algebraominaisuuksien kanssa. Vastaavasti työkalut, kuten PyTorch ja TensorFlow, voivat auttaa rakentamaan monimutkaisempia malleja hyödyntämällä hermoverkkoja ja syvällistä oppimista integroituen silti tuttuihin kieliin ja alustoihin.
Se on kaikki hyvää, jos sinulla on joukko datatieteilijöitä ja matemaatikkoja, jotka pystyvät rakentamaan, testaamaan ja (mikä tärkeintä) validoimaan mallejaan. Koska koneoppimisosaamista on vaikea löytää, tarvitaan työkaluja, jotka auttavat kehittäjiä luomaan yrityksille tarvittavat mallit. Käytännössä useimmat koneoppimismallit jakautuvat kahteen tyyppiin: ensimmäinen tunnistaa samanlaiset tiedot, toinen syrjäiset tiedot.
Voimme käyttää ensimmäisen tyyppistä sovellusta tiettyjen esineiden tunnistamiseen kuljetinhihnalla tai toisen ongelman löytämiseen teollisten antureiden tiedoista. Tällaiset skenaariot eivät ole erityisen monimutkaisia, mutta ne edellyttävät silti validoidun mallin rakentamista varmistaen, että se tunnistaa etsimäsi ja löytää signaalin tiedoista, ei vahvistaa oletuksia tai reagoi meluun.
Esittelyssä Azure Machine Learning Designer
Azure tarjoaa tähän erilaisia työkaluja valmiiden, esivalmistettujen, muokattavien mallien rinnalla. Yksi, Azure Machine Learning Designer, antaa sinun työskennellä nykyisten tietojesi kanssa joukolla visuaalisia suunnittelutyökaluja ja vedä ja pudota -ohjaimia.
Sinun ei tarvitse kirjoittaa koodia mallisi rakentamiseen, vaikka on mahdollista tuoda mukautettu R tai Python tarvittaessa. Se korvaa alkuperäisen ML Studio -työkalun, lisää integraation Azurin koneoppimiseen tarkoitettuihin SDK: iin ja tukee yli CPU-pohjaisia malleja, tarjoaa GPU-pohjaisen koneoppimisen ja automaattisen mallikoulutuksen ja virityksen.
Aloita Azure Machine Learning Designer -sovellus avaamalla Azure Machine Learning -sivusto ja kirjautumalla sisään Azure-tilillä. Aloita muodostamalla yhteys tilaukseen ja luomalla työtila malleillesi. Ohjattu asennustoiminto pyytää sinua määrittämään, onko tuloksissa olevilla malleilla julkinen vai yksityinen päätepiste ja työskenteletkö arkaluonteisten tietojen kanssa ennen kuin valitset avainten hallinnan. Arkaluontoisia tietoja käsitellään siinä, mitä Azure määrittelee "korkean yritystoiminnan työtilaksi", mikä vähentää Microsoftin keräämien diagnostiikkatietojen määrää ja lisää salausta.
Koneoppimisen työtilan määrittäminen
Kun olet käynyt ohjatun toiminnon läpi, Azure tarkistaa asetukset ennen ML-työtilan luomista. Hyödyllisesti se tarjoaa sinulle ARM-mallin, jotta voit automatisoida luomisprosessin tulevaisuudessa tarjoamalla kehyksen komentosarjoille, joita yritysanalyytikot voivat käyttää sisäisestä portaalista vähentääkseen Azure-järjestelmänvalvojiesi kuormitusta. Työtilan luomiseen tarvittavien resurssien käyttöönotto voi viedä aikaa, joten ole valmis odottamaan jonkin aikaa, ennen kuin voit aloittaa mallien rakentamisen.
Työtila sisältää työkaluja koneoppimismallien kehittämiseen ja hallintaan suunnittelusta ja koulutuksesta laskennan ja tallennuksen hallintaan. Se auttaa myös merkitsemään olemassa olevat tiedot ja lisäämään harjoittelutietojesi arvoa. Haluat todennäköisesti aloittaa kolmella päävaihtoehdolla: työskennellä Azure ML Python SDK: n kanssa Jupyter-tyylisessä muistikirjassa, käyttää Azure ML: n automaattisia koulutustyökaluja tai matalan koodin vedä ja pudota -suunnittelupinnalla.
Mallin luominen Azure ML Designerin avulla
Suunnittelija on nopein tapa aloittaa mukautetulla koneoppimisella, koska se antaa sinulle pääsyn ennalta rakennettuihin moduuleihin, jotka voidaan ketjuttaa yhteen ja tehdä koneoppimisen sovellusliittymä, joka on käyttövalmis koodissasi. Aloita luomalla kanava ML-putkijohdolle, asettamalla putkilinjan laskentatavoite. Laskentatavoitteet voidaan asettaa koko mallille tai yksittäisille moduuleille, jotta voit säätää suorituskykyä asianmukaisesti.
On parasta ajatella mallisi laskentaresursseja palvelimettomana laskutoimituksena, joka skaalautuu tarvittaessa ylös ja alas. Kun et käytä sitä, se skaalautuu nollaan ja voi kestää jopa viisi minuuttia, jotta se pyörii uudelleen. Tämä voi vaikuttaa sovellustoimintoihin, joten varmista, että se on käytettävissä, ennen kuin suoritat siitä riippuvia sovelluksia. Sinun on otettava huomioon resurssit, joita tarvitaan mallin kouluttamiseen, kun valitset laskentatavoitetta. Monimutkaiset mallit voivat hyödyntää Azurin GPU-tukea ja tukea useimpia Azure-laskentavaihtoehtoja (käytettävissä olevan kiintiön mukaan).
Kun olet määrittänyt koulutuksen laskentaresurssit, valitse harjoitustietojoukko. Tämä voi olla omia tietojasi tai yksi Microsoftin näytteistä. Mukautetut tietojoukot voidaan rakentaa paikallisista tiedostoista, Azureen jo tallennetuista tiedoista, verkosta tai rekisteröidyistä avoimista tietojoukoista (jotka ovat usein valtion tietoja).
Tietojen käyttö Azure ML Designerissa
Suunnittelijan työkalujen avulla voit tutkia käyttämiäsi tietojoukkoja, joten voit olla varma, että sinulla on oikea lähde mallille, jota yrität rakentaa. Kun kangas on tietolähde, voit aloittaa moduulien vetämisen ja yhdistämisen moduulien käsittelemiseksi. esimerkiksi poistamalla sarakkeet, jotka eivät sisällä tarpeeksi tietoja, tai siivoamalla puuttuvat tiedot. Tämä vedä ja liitä -prosessi on aivan kuin työskennellä pienikoodityökalujen, kuten Power Platformin, kanssa. Tässä eroaa siitä, että sinulla on mahdollisuus käyttää omia moduulejasi.
Kun tiedot on käsitelty, voit alkaa valita moduulit, jotka haluat kouluttaa mallisi. Microsoft tarjoaa joukon yleisiä algoritmeja sekä työkaluja tietojoukkojen jakamiseen koulutusta ja testausta varten. Tuloksena olevat mallit voidaan pisteyttää toisella moduulilla, kun olet suorittanut ne harjoittelun aikana. Pisteet välitetään arviointimoduulille, jotta voit nähdä, kuinka hyvin algoritmisi toimi. Tarvitset jonkin verran tilastotietoja tulosten tulkitsemiseksi, jotta voit ymmärtää syntyvien virheiden tyypit, vaikka käytännössä mitä pienempi virhearvo, sitä parempi. Sinun ei tarvitse käyttää valmisteltuja algoritmeja, sillä voit tuoda omat Python- ja R-koodisi.
Koulutettu ja testattu malli voidaan muuntaa nopeasti johtopäätökseksi, joka on valmis käytettäväksi sovelluksissasi. Tämä lisää malliin valmiit REST API -päätepisteet, jotka ovat valmiita käytettäväksi koodissasi. Tuloksena oleva malli otetaan sitten käyttöön AKS-päätelmäklusterissa käyttövalmiina säilönä.
Anna Azuren tehdä kaikki puolestasi: automatisoitu koneoppiminen
Monissa tapauksissa sinun ei tarvitse edes tehdä niin paljon kehitystä. Microsoft julkaisi äskettäin Automated ML -vaihtoehdon, joka perustuu Microsoft Researchin työhön. Täältä aloitat Azure-yhteensopivalla tietojoukolla, jonka on oltava taulukkotietoja. Se on tarkoitettu kolmen tyyppiselle mallille: luokittelu, regressio ja ennusteet. Kun olet antanut tietoja ja valinnut mallityypin, työkalu luo automaattisesti skeeman tiedoista, joiden avulla voit vaihtaa tiettyjä tietokenttiä päälle ja pois päältä, rakentamalla kokeilun, joka suoritetaan sitten mallin rakentamiseksi ja testaamiseksi.
Automaattinen ML luo ja luokittelee useita malleja, joita voit tutkia selvittääksesi, mikä on parhaiten ongelmasi kannalta. Kun olet löytänyt haluamasi mallin, voit nopeasti lisätä syöttö- ja tulostusvaiheita ja ottaa sen käyttöön palveluna, joka on käyttövalmis työkaluissa, kuten Power BI.
Koneoppimisen myötä yhä tärkeämpi ennakointityökalu monenlaisiin liiketoimintatyyppeihin, Azure Machine Learning Designer voi tuoda sille paljon laajemman yleisön. Jos sinulla on tietoja, voit rakentaa sekä analyyttisiä että ennakoivia malleja vähäisellä datatieteellisellä asiantuntemuksella. Uuden Automated ML -palvelun avulla on helppo siirtyä datasta palveluun koodittomaan analytiikkaan.
