Strojové učenie je dôležitou súčasťou vývoja moderných aplikácií, nahrádza veľa z toho, čo sa doteraz dialo pomocou komplexnej série nástrojov na pravidlá, a rozširuje pokrytie na oveľa širšiu škálu problémov. Služby, ako sú kognitívne služby Azure, poskytujú vopred pripravené, vopred pripravené modely, ktoré podporujú veľa bežných prípadov použitia, ale oveľa viac si vyžaduje vývoj vlastných modelov.
S ML ide do zvyku
Ako postupujeme pri vytváraní vlastných modelov strojového učenia? Môžete začať na jednom konci pomocou jazykov pre štatistickú analýzu, ako je R, na vytváranie a overovanie modelov, kde už máte prehľad o základnej štruktúre svojich údajov, alebo môžete pracovať s funkciami lineárnej algebry balíka Anaconda od Pythonu. Podobne aj nástroje ako PyTorch a TensorFlow môžu pomôcť pri konštruovaní zložitejších modelov využívajúcich neurónové siete a hlboké učenie a pritom stále integrovať známe jazyky a platformy.
To je všetko dobré, ak máte tím dátových vedcov a matematikov, ktorý dokáže zostaviť, otestovať a (čo je najdôležitejšie) overiť ich modely. Keďže je ťažké nájsť odborné znalosti v oblasti strojového učenia, sú potrebné nástroje, ktoré vývojárom pomôžu pri vytváraní modelov, ktoré podniky potrebujú. V praxi väčšina modelov strojového učenia spadá do dvoch typov: prvý identifikuje podobné údaje, druhý identifikuje odľahlé údaje.
Prvý typ aplikácie by sme mohli použiť na identifikáciu konkrétnych položiek na dopravnom páse alebo by sme mohli hľadať druhý problém s údajmi zo série priemyselných senzorov. Scenáre ako tieto nie sú nijako zvlášť zložité, stále však vyžadujú vytvorenie overeného modelu, ktorý zabezpečí, že dokáže identifikovať, čo hľadáte, a nájsť signál v dátach, nie zosilniť predpoklady alebo reagovať na šum.
Predstavujeme Azure Machine Learning Designer
Azure na to poskytuje rôzne vopred pripravené, vopred pripravené a prispôsobiteľné modely. Jeden, Azure Machine Learning Designer, vám umožní pracovať s vašimi existujúcimi údajmi pomocou sady nástrojov vizuálneho dizajnu a ovládacích prvkov drag-and-drop.
Na zostavenie modelu nemusíte písať kód, aj keď v prípade potreby je možné priviesť vlastný R alebo Python. Je to náhrada za pôvodný nástroj ML Studio, ktorá pridáva hlbšiu integráciu do súprav SDK strojového učenia Azure a podporuje viac ako modely založené na CPU a ponúka strojové učenie založené na GPU a automatizované školenie a ladenie modelov.
Ak chcete začať s programom Azure Machine Learning Designer, otvorte web Azure Machine Learning a prihláste sa pomocou účtu Azure. Začnite pripojením k predplatnému a vytvorením pracovného priestoru pre vaše modely. Sprievodca nastavením vás požiada, aby ste pred výberom spôsobu správy kľúčov určili, či majú výsledné modely verejný alebo súkromný koncový bod a či budete pracovať s citlivými údajmi. Citlivé údaje sa budú spracovávať v tom, čo Azure definuje ako „pracovný priestor s veľkým dosahom na podnikanie“, čo znižuje množstvo diagnostických údajov zhromaždených spoločnosťou Microsoft a pridáva ďalšie úrovne šifrovania.
Konfigurácia pracovného priestoru strojového učenia
Keď ste prešli sprievodcom, Azure skontroluje vaše nastavenia pred vytvorením vášho pracovného priestoru ML. Užitočne vám ponúka šablónu ARM, aby ste mohli v budúcnosti automatizovať proces vytvárania, a poskytnú rámec pre skripty, ktoré môžu obchodní analytici použiť z interného portálu na zníženie zaťaženia vašich správcov Azure. Nasadenie zdrojov potrebných na vytvorenie pracovného priestoru môže chvíľu trvať, takže buďte pripravení chvíľu počkať, kým sa pustíte do vytvárania akýchkoľvek modelov.
Váš pracovný priestor obsahuje nástroje na vývoj a správu modelov strojového učenia, od návrhu a školenia až po správu výpočtových prostriedkov a ukladacích priestorov. Pomáha vám tiež označiť existujúce údaje a zvýšiť tak hodnotu vašej tréningovej dátovej sady. Pravdepodobne budete chcieť začať s tromi hlavnými možnosťami: prácou s balíkom Azure ML Python SDK v poznámkovom bloku typu Jupyter, použitím automatizovaných výcvikových nástrojov Azure ML alebo povrchom návrhára drag-and-drop s nízkym kódom.
Používanie Azure ML Designer na vytvorenie modelu
Dizajnér je najrýchlejší spôsob, ako začať s vlastným strojovým učením, pretože vám poskytuje prístup k množine vopred zostavených modulov, ktoré je možné spojiť dohromady, aby ste vytvorili rozhranie API pre strojové učenie, ktoré je pripravené na použitie vo vašom kóde. Začnite vytvorením plátna pre váš kanál ML a nastavením výpočtového cieľa pre váš kanál. Výpočtové ciele je možné nastaviť pre celý model alebo pre jednotlivé moduly v potrubí, čo vám umožňuje vhodne naladiť výkon.
Najlepšie je myslieť na výpočtové zdroje vášho modelu ako na výpočty bez servera, ktoré sa podľa potreby zväčšujú a zmenšujú. Ak ho nepoužívate, zmenší sa na nulu a jeho opätovné roztočenie môže trvať až päť minút. To môže mať vplyv na činnosť aplikácií, preto sa pred spustením aplikácií, ktoré na nej závisia, ubezpečte, že je k dispozícii. Pri výbere výpočtového cieľa budete musieť vziať do úvahy zdroje potrebné na trénovanie modelu. Komplexné modely môžu využívať výhody podpory GPU Azure s podporou väčšiny výpočtových možností Azure (v závislosti od dostupnej kvóty).
Po nastavení výpočtových prostriedkov pre tréning si vyberte množinu dát pre tréning. Môžu to byť vaše vlastné údaje alebo jedna zo vzoriek spoločnosti Microsoft. Vlastné množiny údajov je možné zostaviť z miestnych súborov, z údajov už uložených v Azure, z webu alebo z registrovaných otvorených množín údajov (ktoré sú často vládnymi informáciami).
Používanie údajov v Azure ML Designer
Nástroje v Návrhári vám umožňujú preskúmať súbory údajov, ktoré používate, takže si môžete byť istí, že máte správny zdroj pre model, ktorý sa pokúšate zostaviť. So zdrojom údajov na plátne môžete začať ťahať moduly a pripájať ich, aby ste mohli spracovať svoje tréningové údaje; napríklad odstránenie stĺpcov, ktoré neobsahujú dostatok údajov, alebo vyčistenie chýbajúcich údajov. Tento proces drag-and-connect je veľmi podobný práci s nástrojmi s nízkym kódom, ako sú napríklad tie v Power Platform. Tu sa líši to, že máte možnosť použiť svoje vlastné moduly.
Po spracovaní údajov môžete začať vyberať moduly, ktoré chcete trénovať v modeli. Spoločnosť Microsoft poskytuje sadu bežných algoritmov a tiež nástroje na rozdelenie súborov údajov na účely školenia a testovania. Výsledné modely je možné skórovať pomocou iného modulu, akonáhle ich prejdete tréningom. Skóre sa odovzdáva hodnotiacemu modulu, aby ste videli, ako dobre váš algoritmus fungoval. Na interpretáciu výsledkov potrebujete určité štatistické znalosti, aby ste pochopili typy chýb, ktoré sa generujú, aj keď v praxi platí, čím nižšia je hodnota chyby, tým lepšie. Nemusíte používať pripravené algoritmy, pretože si môžete priniesť vlastný kód Python a R.
Vyškolený a testovaný model je možné rýchlo previesť na odvodzovací kanál pripravený na použitie vo vašich aplikáciách. Týmto sa do vášho modelu pridajú vstupné a výstupné koncové body rozhrania REST API pripravené na použitie vo vašom kóde. Výsledný model sa potom nasadí do klastra odvodzujúceho AKS ako kontajner pripravený na použitie.
Nechajte Azure urobiť všetko za vás: Automated Machine Learning
V mnohých prípadoch nemusíte ani toľko vyvíjať. Spoločnosť Microsoft nedávno vydala možnosť Automatizované ML na základe práce vykonanej v spoločnosti Microsoft Research. Tu začínate s dátovou sadou dostupnou pre Azure, ktorá musí byť tabuľkovými údajmi. Je určený pre tri typy modelov: klasifikáciu, regresiu a prognózy. Po zadaní údajov a výbere typu modelu nástroj automaticky vygeneruje schému z údajov, ktoré môžete použiť na zapínanie a vypínanie konkrétnych údajových polí, a vytvorí experiment, ktorý sa potom spustí na zostavenie a otestovanie modelu.
Automatizovaný program ML vytvorí a zoradí niekoľko modelov, ktoré môžete preskúmať a určiť, ktoré sú pre váš problém najlepšie. Keď nájdete požadovaný model, môžete rýchlo pridať vstupné a výstupné fázy a nasadiť ho ako službu pripravenú na použitie v nástrojoch, ako je Power BI.
Vďaka strojovému učeniu, ktoré je čoraz dôležitejším prediktívnym nástrojom naprieč mnohými rôznymi typmi obchodných problémov, mu môže Azure Machine Learning Designer priniesť oveľa širšie publikum. Ak máte údaje, môžete zostaviť analytické aj prediktívne modely s minimálnymi odbornými znalosťami v oblasti údajov. S novou službou Automated ML je ľahké prejsť od údajov k službe k analýze bez kódu.
