Mi az Azure Machine Learning?
Az Azure Machine Tanulás egy felhőalapú szolgáltatás a gépi tanulási (ML) projekt életciklusának felgyorsítására és kezelésére. Az ML-szakemberek, az adattudósok és a mérnökök a mindennapi munkafolyamataikban használhatják modellek betanítása és üzembe helyezése, valamint gépi tanulási műveletek (MLOps) kezelésére.
Létrehozhat egy modellt a Machine Tanulás vagy használhat egy nyílt forráskódú platformból készült modellt, például a PyTorchot, a TensorFlow-t vagy a scikit-learn-t. Az MLOps-eszközök segítenek a modellek monitorozásában, újratanításában és újbóli üzembe helyezésében.
Tipp.
Ingyenes próbaverzió! Ha még nincs Azure-előfizetése, kezdés előtt hozzon létre egy ingyenes fiókot. Próbálja ki az Azure Machine Learning ingyenes vagy fizetős verzióját. Azure-szolgáltatásokra elkölthető krediteket kap. A kreditek felhasználása után megtarthatja a fiókját, és tovább használhatja azt az ingyenes Azure-szolgáltatásokkal. A bankkártyáját semmilyen költség nem terheli, hacsak Ön kifejezetten nem módosítja beállításait ennek engedélyezéséhez.
Ki az Azure Machine Tanulás?
A gépi Tanulás azoknak a személyeknek és csapatoknak szól, akik az MLOps-t a szervezeten belül implementálják, hogy az ML-modelleket biztonságos és auditálható éles környezetben éles környezetbe helyezzék.
Az adattudósok és az ml-mérnökök eszközökkel felgyorsíthatják és automatizálhatják mindennapi munkafolyamataikat. Az alkalmazásfejlesztők eszközöket használhatnak a modellek alkalmazásokba vagy szolgáltatásokba való integrálásához. A platformfejlesztők a tartós Azure Resource Manager API-k által támogatott, robusztus eszközkészletet használhatnak a fejlett gépi tanulási eszközök létrehozásához.
A Microsoft Azure-felhőben dolgozó vállalatok jól ismert biztonsági és szerepköralapú hozzáférés-vezérlést használhatnak az infrastruktúrához. Beállíthat egy projektet, amely megtagadja a védett adatokhoz való hozzáférést, és kiválasztja a műveleteket.
Hatékonyság a csapat minden tagja számára
Az ML-projektekhez gyakran van szükség olyan csapatra, amely változatos képességekkel rendelkezik az összeállításhoz és a karbantartáshoz. A gépi Tanulás olyan eszközökkel rendelkezik, amelyek lehetővé teszik a következőket:
Együttműködés a csapattal megosztott jegyzetfüzeteken, számítási erőforrásokon, kiszolgáló nélküli számításon, adatokon és környezeteken keresztül
Modellek fejlesztése a méltányosság és a magyarázhatóság, a nyomon követés és az auditálás érdekében a megfelelőségi követelmények teljesítéséhez
Az ML-modellek gyorsan és egyszerűen üzembe helyezhetők nagy méretekben, és az MLOps segítségével hatékonyan kezelhetik és szabályozhatják őket
Gépi tanulási számítási feladatok futtatása bárhol, beépített irányítással, biztonsággal és megfelelőséggel
Az igényeinek megfelelő, többkompatibilis platformeszközök
Az ML-csapat minden tagja használhatja az előnyben részesített eszközöket a feladat elvégzéséhez. Akár gyors kísérleteket, hiperparaméter-finomhangolást, folyamatépítést vagy következtetéskezelést futtat, használhat ismerős interfészeket, például:
Miközben finomítja a modellt, és együttműködik másokkal a Gép Tanulás fejlesztési ciklus többi részében, megoszthatja és megkeresheti a projektek eszközeit, erőforrásait és metrikáit a Machine Tanulás studio felhasználói felületén.
Stúdió
A Machine Tanulás Studio több szerzői élményt kínál a projekt típusától és a korábbi gépi tanulási élmény szintjétől függően anélkül, hogy bármit telepítenie kellene.
Jegyzetfüzetek: Saját kód írása és futtatása felügyelt Jupyter Notebook-kiszolgálókon, amelyek közvetlenül integrálva vannak a studióban.
Futtatási metrikák vizualizációja: A kísérletek elemzése és optimalizálása vizualizációval.
Azure Machine Tanulás tervező: A tervező használatával kódírás nélkül taníthat be és helyezhet üzembe ML-modelleket. Húzza az adathalmazokat és összetevőket az ML-folyamatok létrehozásához.
Automatizált gépi tanulási felhasználói felület: Megtudhatja, hogyan hozhat létre automatizált gépi tanulási kísérleteket egy könnyen használható felülettel.
Adatcímkézés: A gépi Tanulás adatcímkézés használatával hatékonyan koordinálhatja a képfeliratozási vagy szövegcímkézési projekteket.
Nagyvállalati felkészültség és biztonság
A gépi Tanulás integrálva van az Azure-felhőplatformmal, hogy biztonságot adjon az ML-projekteknek.
A biztonsági integrációk a következők:
- Azure Virtual Networks hálózati biztonsági csoportokkal.
- Az Azure Key Vaultban biztonsági titkos kulcsokat menthet, például a tárfiókok hozzáférési adatait.
- Az Azure Container Registry virtuális hálózat mögött van beállítva.
További információ : Oktatóanyag: Biztonságos munkaterület beállítása.
Azure-integrációk a teljes megoldásokhoz
Az Azure-szolgáltatásokkal való egyéb integrációk támogatják az ML-projekteket a végétől a végéig. Ezek közé tartoznak például az alábbiak:
- Azure Synapse Analytics, amely adatok feldolgozására és streamelésére szolgál a Sparkkal.
- Azure Arc, ahol Azure-szolgáltatásokat futtathat Kubernetes-környezetben.
- Tárolási és adatbázis-beállítások, például az Azure SQL Database és az Azure Blob Storage.
- Azure-alkalmazás szolgáltatás, amellyel ml-alapú alkalmazásokat helyezhet üzembe és kezelhet.
- Microsoft Purview, amely lehetővé teszi az adategységek felderítését és katalógusát a szervezeten belül.
Fontos
Az Azure Machine Tanulás nem tárolja vagy dolgozza fel az adatokat azon a régión kívül, ahol üzembe helyezi.
Gépi tanulási projekt munkafolyamata
A modelleket általában egy célokkal és célokkal rendelkező projekt részeként fejlesztik. A projektek gyakran több személyt is érintenek. Ha adatokkal, algoritmusokkal és modellekkel kísérletezik, a fejlesztés iteratív.
Projekt életciklusa
A projekt életciklusa projektenként változhat, de gyakran így néz ki.
A munkaterületek rendszereznek egy projektet, és lehetővé teszik az együttműködést számos olyan felhasználó számára, aki egy közös cél érdekében dolgozik. A munkaterület felhasználói egyszerűen megoszthatják a futtatásuk eredményeit a kísérletezésből a stúdió felhasználói felületén. Vagy használhatnak verziószámozott objektumokat olyan feladatokhoz, mint a környezetek és a tárhivatkozások.
További információ: Azure Machine Tanulás-munkaterületek kezelése.
Ha egy projekt készen áll az üzembe helyezésre, a felhasználók munkája automatizálható egy ML-folyamatban, és ütemezés vagy HTTPS-kérés alapján aktiválható.
Modelleket helyezhet üzembe a felügyelt következtetési megoldásban valós idejű és kötegtelepítések esetén is, így a modellek üzembe helyezéséhez általában szükséges infrastruktúra-kezelést absztrakcióval oldhatja meg.
Modellek betanítása
Az Azure Machine Tanulás futtathatja a betanítási szkriptet a felhőben, vagy létrehozhat egy modellt az alapoktól. Az ügyfelek gyakran hoznak létre nyílt forráskódú keretrendszerekben létrehozott és betanított modelleket, hogy üzembe tudják helyezni őket a felhőben.
Nyitott és együttműködő
Az adattudósok az Azure Machine-Tanulás olyan modelleket használhatnak, amelyeket közös Python-keretrendszerekben hoztak létre, például:
- PyTorch
- TensorFlow
- scikit-learn
- XGBoost
- LightGBM
Egyéb nyelvek és keretrendszerek is támogatottak:
- R
- .
További információ: Nyílt forráskódú integráció az Azure Machine Tanulás.
Automatizált featurizáció és algoritmusválasztás
Egy ismétlődő, időigényes folyamat során a klasszikus gépi tanulásban az adattudósok előzetes tapasztalatot és intuíciót használnak a megfelelő adat featurizáció és algoritmus kiválasztásához a betanításhoz. Az automatizált gépi tanulás (AutoML) felgyorsítja ezt a folyamatot. Használhatja a Machine Tanulás studio felhasználói felületén vagy a Python SDK-on keresztül.
További információ: Mi az automatizált gépi tanulás?
Hiperparaméter-optimalizálás
A hiperparaméter optimalizálása vagy a hiperparaméter finomhangolása fárasztó feladat lehet. A gépi Tanulás automatizálhatja ezt a feladatot tetszőleges paraméteres parancsokhoz a feladatdefiníció kis módosításával. Az eredmények a stúdióban jelennek meg.
További információ: Hiperparaméterek hangolása.
Többcsomópontos elosztott betanítás
A mélytanulási és néha klasszikus gépi tanulási betanítási feladatokra vonatkozó képzés hatékonysága drasztikusan javítható többcsomópontos elosztott betanításokkal. Az Azure Machine Tanulás számítási fürtök és a kiszolgáló nélküli számítás a legújabb GPU-lehetőségeket kínálják.
Az Azure Machine Tanulás Kubernetes, az Azure Machine Tanulás számítási fürtök és a kiszolgáló nélküli számítás segítségével támogatott:
- PyTorch
- TensorFlow
- MPI
Az MPI-disztribúciót használhatja Horovodhoz vagy egyéni többcsomópontos logikához. Az Apache Spark kiszolgáló nélküli Spark-számítási és csatolt Synapse Spark-készleten keresztül támogatott, amelyek Azure Synapse Analytics Spark-fürtöket használnak.
További információ: Elosztott betanítás az Azure Machine Tanulás.
Kínosan párhuzamos betanítás
Az ML-projektek méretezéséhez kínosan párhuzamos modellbetanításra lehet szükség. Ez a minta gyakori az olyan helyzetekben, mint az előrejelzési kereslet, ahol egy modell betanítása számos üzletben lehetséges.
Modellek üzembe helyezése
A modell éles üzembe helyezéséhez üzembe kell helyeznie a modellt. Az Azure Machine Tanulás felügyelt végpontok elvonják a köteg- vagy valós idejű (online) modell pontozásához (következtetéshez) szükséges infrastruktúrát.
Valós idejű és kötegelt pontozás (következtetés)
A kötegelt pontozás vagy kötegelt következtetés magában foglalja egy végpont meghívását az adatokra való hivatkozással. A kötegvégpont aszinkron módon futtatja a feladatokat, hogy párhuzamosan dolgozza fel az adatokat a számítási fürtökön, és további elemzés céljából tárolja az adatokat.
A valós idejű pontozás vagy online következtetés magában foglalja egy végpont meghívását egy vagy több modelltelepítéssel, és közel valós idejű választ kap HTTPS-en keresztül. A forgalom több üzemelő példányra osztható, ami lehetővé teszi az új modellverziók tesztelését azáltal, hogy kezdetben bizonyos mennyiségű forgalmat átirányít, majd növeli az új modell iránti bizalmat.
További információkért lásd:
MLOps: DevOps gépi tanuláshoz
Az ML-modellekhez készült DevOps( más néven MLOps) az éles modellek fejlesztésének folyamata. A modell életciklusának a betanítástól az üzembe helyezésig naplózhatónak kell lennie, ha nem reprodukálható.
Ml-modell életciklusa
További információ az MLOpsról az Azure Machine Tanulás.
MLOP-ket engedélyező integrációk
A gépi Tanulás a modell életciklusának szem előtt tartásával készült. A modell életciklusát egy adott véglegesítésre és környezetre is naplózhatja.
Az MLOps engedélyezésének néhány fő funkciója a következők:
git
Integráció.- MLflow-integráció.
- Gépi tanulási folyamat ütemezése.
- Azure Event Grid-integráció egyéni eseményindítókhoz.
- A CI/CD-eszközök, például a GitHub Actions vagy az Azure DevOps egyszerű használata.
A gépi Tanulás monitorozási és naplózási funkciókat is tartalmaz:
- Feladatösszetevők, például kódpillanatképek, naplók és egyéb kimenetek.
- A feladatok és az eszközök, például a tárolók, az adatok és a számítási erőforrások közötti vonalvezetés.
Ha Apache Airflow-t használ, az airflow-provider-azure-machinelearning csomag egy olyan szolgáltató, amely lehetővé teszi munkafolyamatok küldését az Azure Machine Tanulás az Apache AirFlow-ból.
Következő lépések
Az Azure Machine Tanulás használatának megkezdése: