Erste Schritte mit dem Azure Machine Learning-Dienst

    Heute betrachten wir unsere fünfte Iteration, ein Produkt für maschinelles Lernen zu schaffen. Um dieses Thema anzusprechen, erinnern wir uns kurz an frühere Produkte und ihren aktuellen Status. Berücksichtigen Sie nur vollständig integrierte Lösungen, die es Ihnen ermöglichen, von der Modellberechnung zu reellen Fällen in einem vollwertigen Produkt überzugehen.



    Ich erteile dem Autor, unserem MVP, Michail Komarov, das Wort.

    Dieser Artikel befindet sich in unserem Nachrichtenportal.

    HDInsight, DataScience Virtual Machine und andere unabhängige Komponenten für maschinelles Lernen sowie kognitive Dienste werden nicht berücksichtigt.

    1. In SQL Server 2005 ist eine Data Mining-Komponente einschließlich der DMX-Sprache sowie einer Erweiterung für Excel erschienen. Die letzte Erweiterung funktionierte mit Excel: Derzeit wird das Produkt nicht entwickelt, obwohl es sich in aktuellen Versionen von SQL Server befindet und aus Gründen der Abwärtskompatibilität vorhanden ist.
    2. 10 Jahre sind vergangen. Im Jahr 2016 wurde das Azure Machine Learning Studio-Projekt gestartet. Letztes Kosmetik-Update - Oktober 2018, Bibliothek R. Zur Zeit ist dies nicht der Mainstream. Die Hauptnachteile sind die Unmöglichkeit, Modelle zu exportieren und zu importieren, sowie Probleme mit der Skalierbarkeit. Ein Anwendungsbeispiel finden Sie unter dem Link . Wahrscheinlich wird er in 2-3 Jahren leise die Bühne verlassen.
    3. SQLServer 2016 (nur Unterstützung für R), SQL 2017, 2019 (Unterstützung für R und Python) sowie ein dedizierter Server für maschinelles Lernen. Das Produkt wird aktiv weiterentwickelt, um die Möglichkeiten des maschinellen Lernens im Unternehmensumfeld (Clustering und andere Elemente der Unternehmensskala) zu erweitern. Es gibt Fälle mit der Analyse einer großen Datenmenge in Echtzeit. Interessant für diejenigen, die nicht bereit sind, Daten mit der Cloud zu teilen.
    4. Im Jahr 2017 erschien eine vorläufige Version der Azure Machine Learning Workbench, die lokal mit Python installiert wurde, jedoch ein Konto in Azure erforderlich war. Für diejenigen, die daran interessiert sind, schauen Sie hier . Im Moment ist das Projekt geschlossen, aber viele Ideen werden an den Azure Machine Learning Service übertragen.

    Die aktuelle Version des Azure Machine Learning Service ist ab Dezember 2018 für die kostenpflichtige Nutzung verfügbar, außerdem gibt es eine eingeschränkte kostenlose Version.

    Microsoft teilt den Azure Machine Learning Service in drei große Schritte auf: Datenaufbereitung, das Experiment selbst mit der Modellerstellung und die Bereitstellung. Auf dem Diagramm sieht es so aus:



    Als Nächstes sehen Sie ein etwas detaillierteres Diagramm. Achten Sie besonders auf die Python-Unterstützung und die fehlende Unterstützung von R. Sie erhalten Informationen darüber, wie alles passiert.



    Der letzte Teil ist eine Taxonomie, in der drei Schlüsselbausteine ​​sichtbar sind: Erstellung und Berechnung des Modells (links), Sammlung von Daten zum Modellberechnungsprozess (Mitte), Bereitstellung und Unterstützung des erweiterten Modells. Lassen Sie uns näher auf jeden Schlüsselblock eingehen.



    Die Arbeit beginnt mit der Erstellung eines Kontos in Azure, falls dies nicht der Fall ist. Mit einfachen Kombinationen erstellen wir ein Konto und gehen auf portal.azure.com . Dort wählen wir Ressource erstellen aus und klicken dann auf den Arbeitsbereich des Azure Machine-Lerndiensts. Wählen Sie ein Abonnement aus, erstellen Sie eine Region und eine neue Ressourcengruppe.



    Nach einigen Minuten der Arbeit mit der Cloud erhalten Sie das folgende Ergebnis im Dashboard und fahren dann mit dem Arbeitsbereich des Machine Learning-Diensts fort.





    Wir wählen den Arbeitsbereich für den Azure Machine Learning-Dienst. Wir öffnen Microsoft Azure Notebooks. Hier schlagen wir vor, ein Beispiel zu klonen. Wir stimmen zu, wir wählen ein Tutorial - es enthält ein Beispiel für die Bildklassifizierung.



    Prüfen Sie beim Start, ob der Python 3.6-Kernel ausgewählt ist, und Sie können dem Beispiel Schritt für Schritt folgen. Die Beschreibung der Beispielschritte ist nicht im Artikel enthalten.

    Die Idee ist im Allgemeinen, dass wir mit einem Browser und einem Standard-Jupyter-Notebook mit Python-Code ein Modell erstellen, berechnen und speichern können. Es gibt einen anderen Weg: Mithilfe von Visual Studio Code können wir eine Verbindung zu unserem Bereich herstellen und die Eigenschaften von Objekten anzeigen. Dort auch Code schreiben und nicht vergessen, das Azure ML-Plugin zu installieren. Nebenbei bemerkt stellen wir fest, dass wir, sobald wir mit Visual Studio Code begonnen haben, automatisch eine normale IDE mit Versionskontrolle erhalten haben.





    Am Ende des Abschnitts achten wir auf die Möglichkeit, einen Ort für die Berechnung und den Einsatz von Modellen auszuwählen.



    Überwachung des Prozesses und der Bereitstellung des Dienstes

    Sie können den Abschnitt Experimente sehen, in dem die Parameter des berechneten Modells angezeigt werden.



    Wir sind an Image - Azure Container Instance interessiert, mit anderen Worten, dies ist ein

    Docker-Container mit unserem Modell, das sich in der Cloud befindet.





    Der Bereitstellungsprozess stammt aus Visual Studio Code oder Microsoft Azure Notebooks. Am Ende der Dienstbereitstellung, deren Kern die Kopie des Containers mit dem Modell ist, wird folgendes Bild angezeigt:





    Nachdem das Experiment abgeschlossen ist, werden wir nicht vergessen, den Dienst und alle zugewiesenen Ressourcen zu löschen, damit die Bankkarte nicht automatisch abgebucht wird. Es ist einfacher, die gesamte erstellte Ressourcengruppe zu löschen.



    Als Ergebnis haben wir eine Lösung im Enterprise-Maßstab mit der Möglichkeit der automatischen Berechnung des Modells, der Bereitstellung und der automatischen Rückkehr zum vorherigen Modell bei unbefriedigendem Ergebnis der Metriken.

    Ressourcen:


    azure.microsoft.com/de-de/services/machine-learning-service

    Über den Autor


    Mikhail Komarov, Microsoft MVP

    Mehr als 20 Jahre im IT-Bereich. Interessen: Virtualisierung, Infrastruktur, Datenanalyse und maschinelles Lernen. Unterstützung bestehender und Implementierung neuer Systeme zur Verbesserung der Effizienz der Arbeit im Unternehmenssegment. Zuvor arbeitete er als IT-Coach.

    Jetzt auch beliebt: