Strojno učenje je pomemben del sodobnega razvoja aplikacij, saj nadomešča večino tega, kar se je včasih uporabljalo s kompleksno vrsto mehanizmov pravil, in širi pokritost na veliko širši nabor problemov. Storitve, kot so Azurine kognitivne storitve, ponujajo vnaprej izdelane, predhodno usposobljene modele, ki podpirajo številne pogoste primere uporabe, a veliko več jih je treba razviti po meri.
Po meri z ML
Kako se lotimo izdelave modelov strojnega učenja po meri? Začnete lahko na enem koncu z uporabo jezikov za statistično analizo, kot je R, za izdelavo in preverjanje modelov, kjer ste že dobili občutek za osnovno strukturo vaših podatkov, ali pa lahko delate z linearnimi funkcijami algebre Pythonove zbirke Anaconda. Podobno lahko orodja, kot sta PyTorch in TensorFlow, pomagajo zgraditi bolj zapletene modele, pri čemer izkoristijo nevronske mreže in globoko učenje, hkrati pa se še vedno integrirajo z znanimi jeziki in platformami.
To je vse dobro, če imate ekipo podatkovnih znanstvenikov in matematikov, ki lahko sestavijo, preizkusijo in (kar je najpomembneje) potrdijo svoje modele. Ker je težko najti strokovno znanje strojnega učenja, so potrebna orodja, ki razvijalcem pomagajo skozi postopek ustvarjanja modelov, ki jih podjetja potrebujejo. V praksi večina modelov strojnega učenja razdeli na dve vrsti: prvi identificira podobne podatke, drugi pa oddaljene podatke.
Prvo vrsto aplikacije lahko uporabimo za identifikacijo določenih predmetov na tekočem traku ali pa drugo poiščemo težave v podatkih iz serije industrijskih senzorjev. Takšni scenariji niso posebej zapleteni, vendar vseeno zahtevajo izdelavo potrjenega modela, ki zagotavlja, da lahko prepozna, kaj iščete, in najde signal v podatkih, ne da ojača predpostavke ali se odziva na šum.
Predstavljamo oblikovalca strojnega učenja Azure
Azure ponuja različna orodja za to, poleg svojih vnaprej izdelanih, predhodno usposobljenih in prilagodljivih modelov. Prvi, Azure Machine Learning Designer, vam omogoča delo z obstoječimi podatki z naborom orodij za vizualno oblikovanje in kontrolniki za povleci in spusti.
Za izdelavo modela vam ni treba pisati kode, čeprav obstaja možnost, da po potrebi vnesete R ali Python. Je zamenjava za prvotno orodje ML Studio, ki dodaja globljo integracijo v Azure-jeve SDK za strojno učenje in s podporo za več kot modele, ki temeljijo na CPU, in ponuja strojno učenje na GPU ter avtomatizirano usposabljanje in uglaševanje modelov.
Če želite začeti z oblikovalcem strojnega učenja Azure, odprite spletno mesto strojnega učenja Azure in se prijavite z računom Azure. Začnite tako, da se povežete z naročnino in ustvarite delovni prostor za svoje modele. Čarovnik za nastavitev vas prosi, da določite, ali imajo nastali modeli javno ali zasebno končno točko in ali boste delali z občutljivimi podatki, preden izberete način upravljanja tipk. Občutljivi podatki se bodo obdelovali v tem, kar Azure opredeljuje kot "delovni prostor z velikim poslovnim vplivom", kar zmanjša količino diagnostičnih podatkov, ki jih zbira Microsoft, in doda dodatne ravni šifriranja.
Konfiguriranje delovnega prostora strojnega učenja
Ko se sprehodite po čarovniku, Azure preveri vaše nastavitve, preden ustvari delovni prostor ML. Koristno vam ponuja predlogo ARM, da boste lahko v prihodnosti avtomatizirali postopek ustvarjanja in zagotovili okvir za skripte, ki jih lahko poslovni analitiki uporabljajo z notranjega portala, da zmanjšajo obremenitev skrbnikov Azure. Uvajanje virov, potrebnih za ustvarjanje delovnega prostora, lahko traja nekaj časa, zato bodite pripravljeni počakati nekaj časa, preden lahko začnete graditi katere koli modele.
Vaš delovni prostor vsebuje orodja za razvoj in upravljanje modelov strojnega učenja, od načrtovanja in usposabljanja do upravljanja računalnikov in shranjevanja. Pomaga vam tudi pri označevanju obstoječih podatkov in povečanju vrednosti nabora podatkov o vadbi. Najverjetneje boste želeli začeti s tremi glavnimi možnostmi: delo z Azure ML Python SDK v zvezku v slogu Jupyter, uporabo avtomatiziranih orodij za usposabljanje Azure ML ali površino Designer povleci in spusti z nizko kodo.
Uporaba Azure ML Designer za ustvarjanje modela
Oblikovalec je najhitrejši način za začetek strojnega učenja po meri, saj vam omogoča dostop do nabora vnaprej izdelanih modulov, ki jih je mogoče povezati v verigo, da je API za strojno učenje pripravljen za uporabo v vaši kodi. Začnite z ustvarjanjem platna za vaš cevovod ML in nastavite cilj izračuna za svoj cevovod. Ciljne vrednosti izračuna lahko nastavite za celoten model ali posamezne module znotraj cevovoda, kar vam omogoča ustrezno nastavitev zmogljivosti.
Najbolje je, da računalniške vire vašega modela predstavljate kot brez strežnika, ki se po potrebi lestvijo navzgor in navzdol. Ko ga ne uporabljate, se bo zmanjšal na nič in lahko traja pet minut, da se spet zavrti. To lahko vpliva na delovanje aplikacij, zato zagotovite, da je na voljo pred zagonom aplikacij, ki so odvisne od njega. Pri izbiri izračunanega cilja boste morali upoštevati vire, potrebne za usposobitev modela. Kompleksni modeli lahko izkoristijo podporo za grafični procesor Azure s podporo za večino možnosti izračuna Azure (odvisno od razpoložljive kvote).
Ko nastavite vire za računanje vadbe, izberite nabor podatkov o vadbi. To so lahko vaši lastni podatki ali eden od Microsoftovih vzorcev. Nabore podatkov po meri je mogoče izdelati iz lokalnih datotek, iz podatkov, ki so že shranjeni v Azureju, iz spleta ali iz registriranih odprtih naborov podatkov (ki so pogosto vladni podatki).
Uporaba podatkov v Azure ML Designer
Orodja v Designerju omogočajo raziskovanje naborov podatkov, ki jih uporabljate, tako da ste lahko prepričani, da imate pravi vir za model, ki ga želite zgraditi. Z virom podatkov na platnu lahko začnete vleči module in jih povezujte za obdelavo podatkov o vadbi; na primer odstranjevanje stolpcev, ki ne vsebujejo dovolj podatkov, ali čiščenje manjkajočih podatkov. Ta postopek povleci in priklopi je zelo podoben delu z orodji z nizko kodo, na primer v Power Platformi. Tu se razlikuje le to, da imate možnost uporabe lastnih modulov.
Ko so podatki obdelani, lahko začnete izbirati module, ki jih želite usposobiti za svoj model. Microsoft ponuja nabor pogostih algoritmov ter orodja za razdelitev naborov podatkov za usposabljanje in testiranje. Dobljene modele lahko točkujete z drugim modulom, ko jih opravite skozi trening. Rezultati se posredujejo ocenjevalnemu modulu, tako da lahko vidite, kako dobro je deloval vaš algoritem. Za razlago rezultatov potrebujete nekaj statističnega znanja, da boste lahko razumeli vrste napak, ki se ustvarijo, čeprav je v praksi manjša vrednost napak, tem bolje. Pripravljenih algoritmov vam ni treba uporabljati, saj lahko vnesete svojo kodo Python in R.
Izurjen in preizkušen model je mogoče hitro pretvoriti v napeljavo, ki je pripravljena za uporabo v vaših aplikacijah. To vašemu modelu doda vhodne in izhodne končne točke REST API, pripravljene za uporabo v vaši kodi. Dobljeni model se nato razporedi v gručo za vpeljevanje AKS kot pripravljen vsebnik.
Naj Azure vse naredi namesto vas: avtomatizirano strojno učenje
V mnogih primerih vam niti ni treba toliko razvijati. Microsoft je pred kratkim izdal možnost Automated ML, ki temelji na delu, opravljenem pri Microsoftovih raziskavah. Tu začnete z naborom podatkov, dostopnim za Azure, ki morajo biti tabelarni podatki. Namenjen je trem vrstam modelov: klasifikaciji, regresiji in napovedim. Ko navedete podatke in izberete vrsto modela, bo orodje samodejno ustvarilo shemo iz podatkov, s katerimi lahko vklapljate in izklapljate določena podatkovna polja, pri čemer ustvarite preizkus, ki se nato izvede za izdelavo in preizkus modela.
Avtomatizirana ML bo ustvarila in razvrstila več modelov, ki jih lahko raziščete, da ugotovite, kateri je najboljši za vašo težavo. Ko najdete želeni model, lahko hitro dodate vhodne in izhodne stopnje in ga postavite kot storitev, ki je pripravljena za uporabo v orodjih, kot je Power BI.
Ker je strojno učenje vse pomembnejše napovedno orodje za številne različne poslovne probleme, mu lahko Azure Machine Learning Designer prinese veliko širšo publiko. Če imate podatke, lahko sestavite tako analitični kot napovedni model z minimalnim strokovnim znanjem o podatkih. Z novo storitvijo Automated ML je od podatkov do storitev enostavno preiti na analitiko brez kode.
