Mašinų mokymasis yra svarbi šiuolaikinių programų kūrimo dalis, pakeičianti daugelį dalykų, kurie buvo daromi naudojant sudėtingą taisyklių variklių seriją, ir išplėsti aprėptį kur kas platesniam problemų rinkiniui. Tokios paslaugos kaip „Azure's Cognitive Services“ teikia iš anksto paruoštus, iš anksto parengtus modelius, kurie palaiko daugelį įprasto naudojimo atvejų, tačiau daugeliui kitų reikia kurti individualų modelį.
Pasirenkama pagal ML
Kaip mes kuriame pasirinktinius mašininio mokymosi modelius? Galite pradėti naudoti statistikos analizės kalbas, pvz., R, kurdami ir patvirtindami modelius, kur jau supratote pagrindinę savo duomenų struktūrą, arba galite dirbti su „Python“ „Anaconda“ rinkinio linijinėmis algebros funkcijomis. Panašiai tokie įrankiai kaip „PyTorch“ ir „TensorFlow“ gali padėti sukurti sudėtingesnius modelius, pasinaudojant neuroniniais tinklais ir giliu mokymusi, vis tiek integruojantis su pažįstamomis kalbomis ir platformomis.
Viskas gerai, jei turite duomenų mokslininkų ir matematikų komandą, galinčią sukurti, išbandyti ir (svarbiausia) patvirtinti savo modelius. Kadangi sunku rasti mašininio mokymosi patirties, reikia įrankių, kurie padėtų kūrėjams kurti verslui reikalingus modelius. Praktiškai dauguma mašininio mokymosi modelių skirstomi į du tipus: pirmasis identifikuoja panašius duomenis, antrasis - išorinius duomenis.
Mes galime naudoti pirmojo tipo programą, norėdami nustatyti konkrečius daiktus ant konvejerio arba antrą kartą ieškoti problemų, susijusių su daugelio pramoninių jutiklių duomenimis. Tokie scenarijai nėra ypač sudėtingi, tačiau jiems vis tiek reikia sukurti patvirtintą modelį, užtikrinant, kad jis galėtų identifikuoti tai, ko ieškote, ir surasti signalą duomenyse, nesustiprinti prielaidų ar reaguoti į triukšmą.
Pristatome „Azure Machine Learning Designer“
„Azure“ suteikia tam įvairių įrankių, kartu su iš anksto paruoštais, iš anksto paruoštais, pritaikomais modeliais. Vienas, „Azure Machine Learning Designer“, leidžia jums dirbti su esamais duomenimis naudojant vizualinio dizaino įrankių rinkinį ir „nuvilkimo“ valdiklius.
Jums nereikia rašyti kodo, kad sukurtumėte modelį, nors yra galimybė, kur reikia, įvesti pasirinktinį „R“ arba „Python“. Tai pakeičia originalų „ML Studio“ įrankį, įtraukiant gilesnę integraciją į „Azure“ mašininio mokymosi SDK ir palaikant daugiau nei procesoriais pagrįstus modelius, siūlant GPU valdomą mašininį mokymąsi ir automatizuotą modelių mokymą ir derinimą.
Norėdami pradėti naudoti „Azure Machine Learning Designer“, atidarykite „Azure Machine Learning“ svetainę ir prisijunkite naudodami „Azure“ paskyrą. Pirmiausia prisijunkite prie prenumeratos ir sukurkite savo modelių darbo sritį. Sąrankos vedlys prašo nurodyti, ar gautuose modeliuose yra viešas ar privatus galinis taškas ir ar prieš pasirinkdami, kaip valdyti raktus, dirbsite su neskelbtinais duomenimis. Slapti duomenys bus tvarkomi tame, ką „Azure“ apibrėžia kaip „didelio poveikio verslui darbo sritį“, o tai sumažina „Microsoft“ surinktų diagnostikos duomenų kiekį ir prideda papildomų šifravimo lygių.
Mašininio mokymosi darbo srities konfigūravimas
Kai pereisite per vedlį, „Azure“ patikrina jūsų nustatymus prieš sukurdama ML darbo sritį. Tai naudinga jums siūlant ARM šabloną, kad galėtumėte ateityje automatizuoti kūrimo procesą, pateikdami scenarijų sistemą, kurią verslo analitikai gali naudoti iš vidinio portalo, kad sumažintų „Azure“ administratorių apkrovą. Darbo srities sukūrimui reikalingų išteklių diegimas gali užtrukti, todėl būkite pasirengę šiek tiek palaukti, kol galėsite pradėti kurti bet kokius modelius.
Jūsų darbo srityje yra įrankiai, skirti kurti ir valdyti mašininio mokymosi modelius, pradedant projektavimu ir mokymu, baigiant skaičiavimo ir saugojimo valdymu. Tai taip pat padeda jums pažymėti esamus duomenis ir padidinti treniruočių duomenų rinkinio vertę. Tikriausiai norėsite pradėti nuo trijų pagrindinių variantų: dirbti su „Azure ML Python SDK“ „Jupyter“ stiliaus užrašų knygutėje, naudoti automatinius „Azure ML“ mokymo įrankius arba „low-code drag and drop Designer“ paviršių.
„Azure ML Designer“ naudojimas kuriant modelį
Dizaineris yra greičiausias būdas pradėti nuo pasirinktinio mašininio mokymosi, nes jis suteikia jums prieigą prie iš anksto sukurtų modulių rinkinio, kurį galima susieti grandinėmis, kad būtų sukurta mašininio mokymosi API, kuri yra paruošta naudoti jūsų kode. Pradėkite sukurdami savo ML vamzdyno drobę, nustatydami skaičiavimo tikslą savo dujotiekiui. Skaičiavimo tikslai gali būti nustatyti visam modeliui arba atskiriems moduliams, kurie yra tinkami, kad galėtumėte tinkamai sureguliuoti našumą.
Geriausia galvoti apie modelio skaičiavimo išteklius kaip apie kompiuterio be serverio, kuris prireikus keičiamas aukštyn ir žemyn. Kai jo nenaudosite, jis sumažės iki nulio ir gali vėl užtrukti penkias minutes. Tai gali paveikti programų operacijas, todėl įsitikinkite, kad ji yra prieinama prieš vykdant nuo jos priklausančias programas. Renkantis skaičiavimo tikslą, turėsite atsižvelgti į modelio mokymui reikalingus išteklius. Sudėtingi modeliai gali pasinaudoti „Azure“ GPU palaikymo pranašumais, palaikydami daugumą „Azure“ skaičiavimo parinkčių (atsižvelgiant į jūsų turimą kvotą).
Nustatę mokymo skaičiavimo išteklius, pasirinkite mokymo duomenų rinkinį. Tai gali būti jūsų pačių duomenys arba vienas iš „Microsoft“ pavyzdžių. Tinkintus duomenų rinkinius galima sukurti iš vietinių failų, iš duomenų, jau saugomų „Azure“, iš žiniatinklio arba iš registruotų atvirų duomenų rinkinių (kurie dažnai yra vyriausybės informacija).
Duomenų naudojimas „Azure ML Designer“
„Designer“ įrankiai leidžia ištirti naudojamus duomenų rinkinius, todėl galite būti tikri, kad turite tinkamą modelio, kurį bandote kurti, šaltinį. Turėdami duomenų šaltinį drobėje, galite pradėti vilkti modulius ir juos prijungti, kad galėtumėte apdoroti treniruočių duomenis; pavyzdžiui, pašalinti stulpelius, kuriuose nėra pakankamai duomenų, arba išvalyti trūkstamus duomenis. Šis „nuvilkimo ir sujungimo“ procesas yra panašus į darbą su mažo kodo įrankiais, tokiais kaip „Power Platform“. Čia skiriasi tai, kad turite galimybę naudoti savo modulius.
Apdorojus duomenis, galite pradėti rinktis modulius, kuriuos norite mokyti savo modelio. „Microsoft“ pateikia įprastų algoritmų rinkinį, taip pat įrankius, skirtus duomenų rinkiniams suskaidyti mokymui ir testavimui. Gauti modeliai gali būti vertinami naudojant kitą modulį, kai paleidžiate juos per mokymą. Rezultatai perduodami į vertinimo modulį, kad galėtumėte pamatyti, kaip gerai jūsų algoritmas veikė. Norint interpretuoti rezultatus, jums reikia šiek tiek statistinių žinių, kad galėtumėte suprasti generuojamų klaidų tipus, nors praktiškai kuo mažesnė klaidos vertė, tuo geriau. Jums nereikia naudoti paruoštų algoritmų, nes galite atsinešti savo „Python“ ir „R“ kodą.
Išmokytą ir patikrintą modelį galima greitai konvertuoti į išvadų dujotiekį, paruoštą naudoti jūsų programose. Tai prideda įvesties ir išvesties REST API galinius taškus prie jūsų modelio, paruoštų naudoti jūsų kode. Gautas modelis dislokuojamas AKS išvadų klasteryje kaip paruoštas naudoti konteineris.
Leiskite „Azure“ padaryti viską už jus: automatizuotas mašininis mokymasis
Daugeliu atvejų jums net nereikia tiek daug tobulinti. „Microsoft“ neseniai išleido automatizuoto ML parinktį, pagrįstą „Microsoft Research“ atliktu darbu. Pradėkite nuo duomenų, kuriuos galima pasiekti „Azure“, kurie turi būti lentelės duomenys. Jis skirtas trijų tipų modeliams: klasifikacijai, regresijai ir prognozėms. Kai pateiksite duomenis ir pasirinksite modelio tipą, įrankis automatiškai sugeneruos schemą iš duomenų, kuriuos galėsite naudoti įjungdami ir išjungdami konkrečius duomenų laukus, sukurdami eksperimentą, kuris tada vykdomas modeliui sukurti ir išbandyti.
Automatizuotas ML sukurs ir suskirstys kelis modelius, kuriuos galite ištirti, kad nustatytumėte, kuris jūsų problemai yra geriausias. Radę norimą modelį, galite greitai pridėti įvesties ir išvesties etapus ir įdiegti jį kaip paslaugą, paruoštą naudoti tokiuose įrankiuose kaip „Power BI“.
Kai mašininis mokymasis tampa vis svarbesne nuspėjamąja priemone įvairioms verslo problemoms spręsti, „Azure Machine Learning Designer“ gali pritraukti ją kur kas platesnei auditorijai. Jei turite duomenų, galite kurti ir analitinius, ir nuspėjamuosius modelius, turėdami minimalią duomenų mokslo patirtį. Naudojant naują „Automated ML“ paslaugą, lengva pereiti nuo duomenų prie paslaugų prie be kodo analizės.
