בנה מודלים מותאמים אישית עם Azure Machine Learning Designer

לימוד מכונה הוא חלק חשוב בפיתוח היישומים המודרני, כשהוא מחליף הרבה ממה שנעשה בעבר באמצעות סדרה מורכבת של מנועי כללים, והרחיב את הכיסוי למערך הרבה יותר רחב של בעיות. שירותים כמו השירותים הקוגניטיביים של Azure מספקים מודלים מוכנים מראש, המאומנים מראש, התומכים במקרי שימוש נפוצים רבים, אך רבים אחרים זקוקים לפיתוח מודלים מותאמים אישית.

הולך מותאם אישית עם ML

כיצד נוכל לבנות מודלים ללימוד מכונה בהתאמה אישית אתה יכול להתחיל בקצה אחד באמצעות שפות ניתוח סטטיסטיות כמו R כדי לבנות ולאמת מודלים, שם כבר יש לך תחושה של המבנה הבסיסי של הנתונים שלך, או שאתה יכול לעבוד עם תכונות האלגברה הליניאריות של חבילת אנקונדה של Python. באופן דומה, כלים כמו PyTorch ו- TensorFlow יכולים לסייע בבניית מודלים מורכבים יותר, תוך ניצול רשתות עצביות ולמידה עמוקה תוך שילוב עם שפות ופלטפורמות מוכרות.

כל זה טוב אם יש לך צוות של מדעני נתונים ומתמטיקאים שיכול לבנות, לבדוק ו (הכי חשוב) לאמת את המודלים שלהם. עם קשה למצוא מומחיות בלימוד מכונה, מה שצריך הם כלים שיעזרו להנחות את המפתחים בתהליך יצירת המודלים להם עסקים זקוקים. בפועל, רוב המודלים של למידת מכונה מתחלקים לשני סוגים: הראשון מזהה נתונים דומים, השני מזהה נתונים רחוקים.

אנו עשויים להשתמש בסוג האפליקציה הראשון כדי לזהות פריטים ספציפיים במסוע או לחפש שני נתונים בנתונים מסדרת חיישנים תעשייתיים. תרחישים כמו אלה אינם מורכבים במיוחד, אך הם עדיין דורשים בניית מודל מאומת, כדי להבטיח שהוא יכול לזהות את מה שאתה מחפש ולמצוא את האות בנתונים, ולא להגביר את ההנחות או להגיב לרעש.

היכרות עם מעצב לימוד מכונות תכלת הרקיע

Azure מספקת כלים שונים לכך, לצד הדגמים המובנים מראש, המאומנים מראש, הניתנים להתאמה אישית. האחד, Azure Machine Learning Designer, מאפשר לך לעבוד עם הנתונים הקיימים שלך עם קבוצה של כלי עיצוב חזותיים ובקרות גרירה ושחרור.

אתה לא צריך לכתוב קוד כדי לבנות את המודל שלך, אם כי יש אפשרות להביא R מותאם אישית או פייתון במידת הצורך. זה תחליף לכלי ה- ML Studio המקורי, הוספת אינטגרציה עמוקה יותר ב- SDKs למידת מכונות של Azure ועם תמיכה ביותר ממודלים מבוססי CPU, המציע למידת מכונות המופעלת באמצעות GPU והדרכה וכוונון אוטומטי של מודלים.

כדי להתחיל לעבוד עם Azure Machine Learning Designer, פתח את אתר Azure Machine Learning והיכנס באמצעות חשבון Azure. התחל בחיבור למנוי ויצירת מרחב עבודה לדגמים שלך. אשף ההתקנה מבקש ממך לציין אם למודלים המתקבלים נקודת סיום ציבורית או פרטית והאם אתה מתכוון לעבוד עם נתונים רגישים לפני שתבחר כיצד מנוהלים למפתחות. נתונים רגישים יעובדו במה ש- Azure מגדירה כ"סביבת עבודה עם השפעה עסקית גבוהה ", המפחיתה את כמות נתוני האבחון שנאספה על ידי מיקרוסופט ומוסיפה רמות נוספות של הצפנה.

קביעת תצורה של סביבת עבודה של למידת מכונה

לאחר שעברת דרך האשף, Azure בודקת את ההגדרות שלך לפני שתיצור את סביבת העבודה שלך ב- ML. מועיל זה מציע לך תבנית ARM כדי שתוכל להפוך את תהליך היצירה לאוטומטי בעתיד, ומספק מסגרת לתסריטים שאנליסטים עסקיים יכולים להשתמש בהם בפורטל פנימי כדי להפחית את העומס על מנהלי Azure שלך. פריסת המשאבים הדרושים ליצירת מרחב עבודה עשויה להימשך זמן, אז היה מוכן לחכות זמן מה לפני שתוכל להתחיל לבנות מודלים כלשהם.

מרחב העבודה שלך מכיל כלים לפיתוח וניהול מודלים של למידת מכונה, החל מעיצוב והדרכה וכלה בניהול מחשוב ואחסון. זה גם עוזר לך לסמן נתונים קיימים, ולהגדיל את הערך של מערך נתוני האימון שלך. סביר להניח שתרצה להתחיל עם שלוש האפשרויות העיקריות: עבודה עם ה- Azure ML Python SDK במחברת בסגנון Jupyter, תוך שימוש בכלי ההדרכה האוטומטיים של Azure ML, או במשטח המעצב גרור ושחרר עם קוד נמוך. 

שימוש ב- Azure ML Designer ליצירת מודל

המעצב הוא הדרך המהירה ביותר להתחיל עם למידת מכונה מותאמת אישית, מכיוון שהוא נותן לך גישה לסט של מודולים שנבנו מראש שניתן לכבול יחד כדי ליצור ממשק API ללימוד מכונה שמוכן לשימוש בקוד שלך. התחל ביצירת בד לצינור ה- ML שלך, והגדר את יעד החישוב לצינור שלך. ניתן להגדיר יעדי חישוב עבור כל הדגם, או עבור מודולים בודדים בתוך הצינור, ומאפשרים לך לכוון את הביצועים כראוי.

עדיף לחשוב על משאבי החישוב של המודל שלך כמחשב ללא שרת, שמתכווץ מעלה ומטה לפי הצורך. כשאתה לא משתמש בו, הוא יצטמצם לאפס ויכול לארוך חמש דקות להסתובב שוב. זה עשוי להשפיע על פעולות היישומים, לכן וודא שהוא זמין לפני הפעלת יישומים התלויים בכך. יהיה עליך לקחת בחשבון את המשאבים הדרושים להכשרת מודל בעת בחירת יעד מחשוב. מודלים מורכבים יכולים לנצל את תמיכת ה- GPU של Azure, עם תמיכה ברוב אפשרויות החישוב של Azure (בהתאם למכסה הזמינה שלך).

לאחר שתגדיר את משאבי חישוב האימונים שלך, בחר מערך נתוני אימון. זה יכול להיות הנתונים שלך או אחת הדוגמאות של מיקרוסופט. ניתן לבנות מערכי נתונים מותאמים אישית מקבצים מקומיים, מנתונים שכבר נשמרו בתכלת הרשת, מהאינטרנט או מערכי נתונים פתוחים רשומים (שלעתים קרובות הם מידע ממשלתי).

שימוש בנתונים ב- Azure ML Designer

כלים במעצב מאפשרים לך לחקור את מערכי הנתונים שבהם אתה משתמש, כך שתוכל להיות בטוח שיש לך את המקור הנכון עבור המודל שאתה מנסה לבנות. עם מקור נתונים על הבד, אתה יכול להתחיל לגרור מודולים ולחבר אותם לעיבוד נתוני האימון שלך; למשל, הסרת עמודות שאינן מכילות מספיק נתונים או ניקוי נתונים חסרים. תהליך גרירה וחיבור זה דומה מאוד לעבודה עם כלים בעלי קוד נמוך, כמו אלה שבפלטפורמת הכוח. מה ששונה כאן הוא שיש לך אפשרות להשתמש במודולים משלך.

לאחר עיבוד הנתונים, תוכל להתחיל לבחור את המודולים שברצונך להכשיר את המודל שלך. מיקרוסופט מספקת קבוצה של אלגוריתמים נפוצים, כמו גם כלים לפיצול מערכי נתונים להכשרה ובדיקה. ניתן להבקיע את המודלים שהתקבלו באמצעות מודול אחר לאחר שתפעיל אותם דרך האימון. ציונים מועברים למודול הערכה כדי שתוכלו לראות עד כמה האלגוריתם שלכם פעל. אתה צריך קצת ידע סטטיסטי כדי לפרש את התוצאות כדי שתוכל להבין את סוגי השגיאות שנוצרות, אם כי בפועל ככל שערך השגיאה קטן יותר, כך טוב יותר. אינך צריך להשתמש באלגוריתמים המוכנים, מכיוון שאתה יכול להביא קוד Python ו- R משלך.

ניתן להמיר מודל מאומן ונבדק במהירות לצינור הסקה, מוכן לשימוש ביישומים שלך. זה מוסיף קלט ופלט נקודות קצה של REST API למודל שלך, מוכנות לשימוש בקוד שלך. המודל המתקבל נפרס לאחר מכן לאשכול הסקת AKS כמכולה מוכנה לשימוש.

תנו ל- Azure לעשות הכל בשבילכם: למידת מכונות אוטומטית

במקרים רבים אתה אפילו לא צריך לעשות כל כך הרבה פיתוח. מיקרוסופט פרסמה לאחרונה אפשרות ML אוטומטית, המבוססת על עבודה שנעשתה במחקר של מיקרוסופט. כאן אתה מתחיל עם מערך נתונים נגיש לתכלת, אשר חייב להיות נתונים טבלאיים. הוא מיועד לשלושה סוגים של מודלים: סיווג, רגרסיה ותחזיות. לאחר שתספק נתונים ותבחר סוג של מודל, הכלי ייצור באופן אוטומטי סכימה מהנתונים שבהם תוכל להשתמש כדי להחליף שדות נתונים ספציפיים לסירוגין, לבנות ניסוי שמופעל ואז לבנות ולבדוק מודל.

ML אוטומטי ייצור ודירג מספר דגמים, אותם תוכלו לחקור כדי לקבוע מהם המתאימים ביותר לבעיה שלכם. לאחר שמצאת את הדגם הרצוי, תוכל להוסיף במהירות שלבי קלט ופלט ולפרוס אותו כשירות, מוכן לשימוש בכלים כמו Power BI.

עם למידת מכונה כלי חיזוי חשוב יותר ויותר על פני סוגים רבים ושונים של בעיות עסקיות, מעצב הלמידה של מכונות תכלת יכול להביא לו קהל רחב בהרבה. אם יש לך נתונים, אתה יכול לבנות מודלים אנליטיים ומנבאים, עם מומחיות מינימלית במדעי הנתונים. עם שירות ה- ML האוטומטי החדש קל לעבור מנתונים לשירות לניתוח ללא קוד.