Mašīnmācība ir svarīga mūsdienu lietojumprogrammu izstrādes sastāvdaļa, aizstājot lielu daļu no tā, kas tika darīts, izmantojot sarežģītu noteikumu dzinēju sēriju, un paplašinot pārklājumu līdz daudz plašākam problēmu lokam. Tādi pakalpojumi kā Azure kognitīvie pakalpojumi nodrošina iepriekš sagatavotus, iepriekš sagatavotus modeļus, kas atbalsta daudzus izplatītus lietošanas gadījumus, bet daudziem citiem ir nepieciešama pielāgotu modeļu izstrāde.
Iet pēc pasūtījuma ar ML
Kā mēs veidojam pielāgotus mašīnmācīšanās modeļus? Varat sākt no vienas puses, izmantojot statistikas analīzes valodas, piemēram, R, lai izveidotu un apstiprinātu modeļus, kur jūs jau esat pārliecinājies par savu datu struktūru, vai arī varat strādāt ar Python Anaconda komplekta lineārās algebras funkcijām. Līdzīgi tādi rīki kā PyTorch un TensorFlow var palīdzēt veidot sarežģītākus modeļus, izmantojot neironu tīklu priekšrocības un padziļinātu mācīšanos, vienlaikus integrējoties ar pazīstamām valodām un platformām.
Tas viss ir labi, ja jums ir datu zinātnieku un matemātiķu komanda, kas spēj veidot, pārbaudīt un (pats galvenais) apstiprināt savus modeļus. Tā kā mašīnmācīšanās zināšanas ir grūti atrodamas, ir nepieciešami rīki, kas palīdzēs izstrādātājiem virzīt uzņēmumiem nepieciešamo modeļu izveidi. Praksē vairums mašīnmācīšanās modeļu iedalās divos veidos: pirmais identificē līdzīgus datus, otrais - attālākos datus.
Mēs varētu izmantot pirmā veida lietotni, lai identificētu konkrētus priekšmetus uz konveijera lentes, vai arī otrreiz meklēt problēmas rūpniecisko sensoru sērijas datos. Šādi scenāriji nav īpaši sarežģīti, taču tiem joprojām ir nepieciešams izveidot apstiprinātu modeli, nodrošinot, ka tas var identificēt meklēto un atrast signālu datos, nevis pastiprināt pieņēmumus vai reaģēt uz troksni.
Iepazīstinām ar Azure Machine Learning Designer
Azure tam nodrošina dažādus rīkus līdzās iepriekš sagatavotiem, iepriekš sagatavotiem, pielāgojamiem modeļiem. Viens, Azure Machine Learning Designer, ļauj jums strādāt ar esošajiem datiem, izmantojot vizuālā noformējuma rīku komplektu un vilkšanas un nomešanas vadīklas.
Lai izveidotu savu modeli, jums nav jāraksta kods, lai gan, ja nepieciešams, ir iespēja ievietot pielāgotu R vai Python. Tas aizstāj sākotnējo ML Studio rīku, pievienojot dziļāku integrāciju Azure mašīnmācīšanās SDK un ar atbalstu vairāk nekā uz CPU balstītiem modeļiem, piedāvājot mašīnmācīšanos ar GPU un automatizētu modeļu apmācību un regulēšanu.
Lai sāktu darbu ar Azure Machine Learning Designer, atveriet Azure Machine Learning vietni un piesakieties ar Azure kontu. Sāciet, izveidojot savienojumu ar abonementu un izveidojot darbvietu saviem modeļiem. Iestatīšanas vednis lūdz norādīt, vai pirms izvēlaties, kā tiek pārvaldītas atslēgas, vai izveidotajiem modeļiem ir publisks vai privāts gala punkts un vai jūs strādājat ar sensitīviem datiem. Sensitīvi dati tiks apstrādāti tajā, ko Azure definē kā “lielas uzņēmējdarbības ietekmes darbvietu”, kas samazina Microsoft apkopoto diagnostikas datu apjomu un pievieno papildu šifrēšanas līmeņus.
Mašīnmācīšanās darbvietas konfigurēšana
Kad esat izgājis caur vedni, Azure pirms ML darbvietas izveidošanas pārbauda jūsu iestatījumus. Noderīgi tas piedāvā ARM veidni, lai jūs varētu nākotnē automatizēt izveides procesu, nodrošinot sistēmu skriptiem, kurus biznesa analītiķi var izmantot no iekšējā portāla, lai samazinātu jūsu Azure administratoru slodzi. Darbvietas izveidei nepieciešamo resursu izvietošana var aizņemt laiku, tāpēc esiet gatavs nedaudz pagaidīt, pirms varat sākt veidot visus modeļus.
Jūsu darbvietā ir rīki mašīnmācīšanās modeļu izstrādei un pārvaldībai, sākot no projektēšanas un apmācības līdz skaitļošanas un glabāšanas pārvaldībai. Tas arī palīdz jums apzīmēt esošos datus, palielinot apmācības datu kopas vērtību. Jūs, iespējams, vēlēsities sākt ar trim galvenajām iespējām: strādāt ar Azure ML Python SDK Jupyter stila piezīmjdatorā, izmantot Azure ML automatizētos apmācības rīkus vai zema koda vilkšanas un nomešanas noformētāja virsmu.
Azure ML Designer izmantošana modeļa izveidošanai
Dizainers ir ātrākais veids, kā sākt ar pielāgotu mašīnmācīšanos, jo tas ļauj piekļūt iepriekš uzbūvētu moduļu kopumam, kurus var savienot kopā, lai izveidotu mašīnmācīšanās API, kas ir gatava lietošanai jūsu kodā. Vispirms izveidojiet audeklu savam ML cauruļvadam, iestatiet cauruļvada aprēķināšanas mērķi. Aprēķināšanas mērķus var iestatīt visam modelim vai atsevišķiem cauruļvada moduļiem, kas ļauj atbilstoši noregulēt veiktspēju.
Vislabāk ir domāt par modeļa aprēķināšanas resursiem kā bez servera aprēķiniem, kas pēc vajadzības tiek mērogoti uz augšu un uz leju. Kad jūs to nelietojat, tā mērogs samazināsies līdz nullei, un var paiet pat piecas minūtes, līdz atkal griežas. Tas var ietekmēt lietojumprogrammu darbības, tāpēc pārliecinieties, vai tā ir pieejama, pirms palaižat no tām atkarīgas programmas. Izvēloties skaitļošanas mērķi, jums būs jāņem vērā resursi, kas nepieciešami modeļa apmācībai. Kompleksie modeļi var izmantot Azure GPU atbalsta priekšrocības, nodrošinot atbalstu lielākajai daļai Azure aprēķināšanas opciju (atkarībā no jūsu pieejamās kvotas).
Kad esat iestatījis apmācības aprēķināšanas resursus, izvēlieties apmācības datu kopu. Tie var būt jūsu pašu dati vai viens no Microsoft paraugiem. Pielāgotas datu kopas var veidot no vietējiem failiem, no datiem, kas jau ir saglabāti Azure, no tīmekļa vai no reģistrētām atvērto datu kopām (kas bieži ir valdības informācija).
Datu izmantošana Azure ML Designer
Dizainera rīki ļauj izpētīt jūsu izmantotās datu kopas, tāpēc varat būt drošs, ka jums ir pareizais avots modelim, kuru mēģināt izveidot. Izmantojot audeklā esošo datu avotu, jūs varat sākt vilkt moduļus un savienot tos, lai apstrādātu treniņu datus; piemēram, noņemt kolonnas, kurās nav pietiekami daudz datu, vai iztīrīt trūkstošos datus. Šis vilkšanas un savienošanas process ir līdzīgs darbam ar zema koda rīkiem, piemēram, tiem, kas atrodas platformā Power. Šeit atšķiras tas, ka jums ir iespēja izmantot savus moduļus.
Kad dati ir apstrādāti, varat sākt izvēlēties moduļus, kurus vēlaties apmācīt savu modeli. Microsoft nodrošina kopīgu algoritmu kopu, kā arī rīkus datu kopu sadalīšanai apmācībai un testēšanai. Iegūtos modeļus var novērtēt, izmantojot citu moduli, tiklīdz jūs tos palaidīsit apmācībā. Rezultāti tiek nodoti novērtēšanas modulim, lai jūs varētu redzēt, cik labi darbojas jūsu algoritms. Lai interpretētu rezultātus, jums ir nepieciešamas dažas statistikas zināšanas, lai jūs varētu saprast radīto kļūdu veidus, lai gan praksē, jo mazāka kļūdas vērtība, jo labāk. Jums nav jāizmanto sagatavotie algoritmi, jo varat ievadīt savu Python un R kodu.
Apmācītu un pārbaudītu modeli var ātri pārveidot par secināšanas cauruļvadu, kas ir gatavs lietošanai jūsu lietojumprogrammās. Tas jūsu modelim pievieno ieejas un izejas REST API beigu punktus, kas ir gatavi lietošanai jūsu kodā. Rezultātā iegūtais modelis tiek izvietots AKS secināšanas kopā kā lietošanai gatavs konteiners.
Ļaujiet Azure to visu izdarīt jūsu vietā: automatizēta mašīnmācīšanās
Daudzos gadījumos jums pat nav jāveic tik liela attīstība. Microsoft nesen izlaida iespēju Automated ML, kuras pamatā ir Microsoft Research veiktais darbs. Šeit jūs sākat ar Azure pieejamu datu kopu, kurai jābūt tabulas datiem. Tas ir paredzēts trīs veidu modeļiem: klasifikācijai, regresijai un prognozēm. Kad būsiet iesniedzis datus un izvēlējies modeļa tipu, rīks automātiski ģenerēs shēmu no datiem, kurus varat izmantot, lai ieslēgtu un izslēgtu noteiktus datu laukus, izveidojot eksperimentu, kas pēc tam tiek palaists modeļa izveidošanai un pārbaudei.
Automated ML izveidos un sarindos vairākus modeļus, kurus jūs varat izpētīt, lai noteiktu, kurš ir labākais jūsu problēmai. Kad esat atradis vajadzīgo modeli, varat ātri pievienot ievades un izvades posmus un izvietot to kā pakalpojumu, kas ir gatavs lietošanai tādos rīkos kā Power BI.
Ar mašīnmācīšanos kļūst arvien nozīmīgāks prognozēšanas rīks daudzu dažādu uzņēmējdarbības problēmu gadījumā, Azure Machine Learning Designer var piesaistīt to daudz plašākai auditorijai. Ja jums ir dati, varat izveidot gan analītiskus, gan prognozējošus modeļus ar minimālu pieredzi datu zinātnes jomā. Izmantojot jauno Automated ML pakalpojumu, ir viegli pāriet no datiem uz pakalpojumiem uz bezkoda analīzi.
