Η μηχανική μάθηση είναι ένα σημαντικό μέρος της σύγχρονης ανάπτυξης εφαρμογών, αντικαθιστώντας πολλά από αυτά που κάποτε γίνονταν χρησιμοποιώντας μια σύνθετη σειρά μηχανών κανόνων και επεκτείνοντας την κάλυψη σε ένα πολύ ευρύτερο σύνολο προβλημάτων. Υπηρεσίες όπως οι γνωστικές υπηρεσίες της Azure παρέχουν προκαθορισμένα, προκαθορισμένα μοντέλα που υποστηρίζουν πολλές περιπτώσεις κοινής χρήσης, αλλά πολλές άλλες χρειάζονται προσαρμοσμένη ανάπτυξη μοντέλου.
Πηγαίνοντας έθιμο με ML
Πώς κάνουμε την κατασκευή προσαρμοσμένων μοντέλων μηχανικής μάθησης; Μπορείτε να ξεκινήσετε από τη μια πλευρά χρησιμοποιώντας γλώσσες στατιστικής ανάλυσης όπως το R για να δημιουργήσετε και να επικυρώσετε μοντέλα, όπου έχετε ήδη μια αίσθηση για την υποκείμενη δομή των δεδομένων σας ή μπορείτε να εργαστείτε με τα γραμμικά χαρακτηριστικά άλγεβρας της σουίτας Anaconda της Python. Παρομοίως, εργαλεία όπως το PyTorch και το TensorFlow μπορούν να βοηθήσουν στην κατασκευή πιο σύνθετων μοντέλων, εκμεταλλευόμενοι τα νευρωνικά δίχτυα και τη βαθιά μάθηση, ενώ εξακολουθούν να ενσωματώνονται σε γνωστές γλώσσες και πλατφόρμες.
Αυτό είναι καλό αν έχετε μια ομάδα επιστημόνων δεδομένων και μαθηματικών ικανών να δημιουργήσουν, να δοκιμάσουν και (το πιο σημαντικό) να επικυρώσουν τα μοντέλα τους. Με δυσκολία στην εξειδίκευση της μηχανικής μάθησης, αυτό που χρειάζεται είναι εργαλεία που θα βοηθήσουν τους προγραμματιστές να ακολουθήσουν τη διαδικασία δημιουργίας των μοντέλων που χρειάζονται οι επιχειρήσεις. Στην πράξη, τα περισσότερα μοντέλα μηχανικής εκμάθησης εμπίπτουν σε δύο τύπους: το πρώτο αναγνωρίζει παρόμοια δεδομένα, το δεύτερο προσδιορίζει τα απομακρυσμένα δεδομένα.
Ενδέχεται να χρησιμοποιήσουμε τον πρώτο τύπο εφαρμογής για να εντοπίσουμε συγκεκριμένα αντικείμενα σε έναν ιμάντα μεταφοράς ή να έχουμε τη δεύτερη αναζήτηση για ζητήματα δεδομένων από μια σειρά βιομηχανικών αισθητήρων. Σενάρια όπως αυτά δεν είναι ιδιαίτερα περίπλοκα, αλλά εξακολουθούν να απαιτούν τη δημιουργία ενός επικυρωμένου μοντέλου, διασφαλίζοντας ότι μπορεί να προσδιορίσει αυτό που ψάχνετε και να βρείτε το σήμα στα δεδομένα, να μην ενισχύσετε τις υποθέσεις ή να ανταποκριθείτε στον θόρυβο.
Παρουσιάζοντας το Azure Machine Learning Designer
Το Azure παρέχει διάφορα εργαλεία για αυτό, παράλληλα με τα προκαθορισμένα, προκαθορισμένα, προσαρμόσιμα μοντέλα. Ένα, το Azure Machine Learning Designer, σας επιτρέπει να εργαστείτε με τα υπάρχοντα δεδομένα σας με ένα σύνολο εργαλείων οπτικού σχεδιασμού και ελέγχων μεταφοράς και απόθεσης.
Δεν χρειάζεται να γράψετε κώδικα για να δημιουργήσετε το μοντέλο σας, αν και υπάρχει η επιλογή να φέρετε προσαρμοσμένο R ή Python όπου είναι απαραίτητο. Αποτελεί αντικατάσταση του αρχικού εργαλείου ML Studio, προσθέτοντας βαθύτερη ενσωμάτωση στα SDK μηχανικής εκμάθησης της Azure και με υποστήριξη για περισσότερα από μοντέλα που βασίζονται σε CPU, προσφέροντας μηχανική εκμάθηση με τεχνολογία GPU και αυτοματοποιημένη εκπαίδευση και συντονισμό μοντέλων.
Για να ξεκινήσετε με το Azure Machine Learning Designer, ανοίξτε τον ιστότοπο Azure Machine Learning και συνδεθείτε με έναν λογαριασμό Azure. Ξεκινήστε συνδέοντας μια συνδρομή και δημιουργώντας έναν χώρο εργασίας για τα μοντέλα σας. Ο οδηγός εγκατάστασης σάς ζητά να καθορίσετε εάν τα μοντέλα που προκύπτουν έχουν δημόσιο ή ιδιωτικό τελικό σημείο και αν πρόκειται να εργαστείτε με ευαίσθητα δεδομένα πριν επιλέξετε τον τρόπο διαχείρισης των κλειδιών. Τα ευαίσθητα δεδομένα θα υποβληθούν σε επεξεργασία σε αυτό που ορίζει το Azure ως «χώρος εργασίας με υψηλό επιχειρηματικό αντίκτυπο», ο οποίος μειώνει την ποσότητα των διαγνωστικών δεδομένων που συλλέγει η Microsoft και προσθέτει επιπλέον επίπεδα κρυπτογράφησης.
Διαμόρφωση χώρου εργασίας μηχανικής μάθησης
Μόλις περάσετε από τον οδηγό, το Azure ελέγχει τις ρυθμίσεις σας προτού δημιουργήσει τον χώρο εργασίας ML. Χρήσιμα σας προσφέρει ένα πρότυπο ARM, ώστε να μπορείτε να αυτοματοποιήσετε τη διαδικασία δημιουργίας στο μέλλον, παρέχοντας ένα πλαίσιο για σενάρια που οι επιχειρηματικοί αναλυτές μπορούν να χρησιμοποιήσουν από μια εσωτερική πύλη για να μειώσουν το φορτίο των διαχειριστών σας Azure. Η ανάπτυξη των πόρων που απαιτούνται για τη δημιουργία ενός χώρου εργασίας μπορεί να διαρκέσει χρόνο, οπότε να είστε έτοιμοι να περιμένετε λίγο πριν μπορέσετε να ξεκινήσετε την κατασκευή οποιουδήποτε μοντέλου.
Ο χώρος εργασίας σας περιέχει εργαλεία για την ανάπτυξη και διαχείριση μοντέλων μηχανικής εκμάθησης, από το σχεδιασμό και την εκπαίδευση έως τη διαχείριση υπολογιστών και αποθήκευσης. Σας βοηθά επίσης να επισημάνετε τα υπάρχοντα δεδομένα, αυξάνοντας την αξία του συνόλου δεδομένων εκπαίδευσης. Είναι πιθανό να θέλετε να ξεκινήσετε με τις τρεις κύριες επιλογές: εργασία με το Azure ML Python SDK σε ένα σημειωματάριο σε στυλ Jupyter, χρησιμοποιώντας τα αυτοματοποιημένα εργαλεία εκπαίδευσης του Azure ML ή την επιφάνεια σχεδίασης drag-and-drop χαμηλού κώδικα.
Χρησιμοποιώντας το Azure ML Designer για να δημιουργήσετε ένα μοντέλο
Ο Σχεδιαστής είναι ο γρηγορότερος τρόπος για να ξεκινήσετε με την προσαρμοσμένη μηχανική εκμάθηση, καθώς σας δίνει πρόσβαση σε ένα σύνολο προκαθορισμένων ενοτήτων που μπορούν να αλυσοδεθούν μαζί για να δημιουργήσουν ένα API μηχανικής εκμάθησης που είναι έτοιμο για χρήση στον κώδικά σας. Ξεκινήστε δημιουργώντας έναν καμβά για τον αγωγό ML, ρυθμίζοντας τον στόχο υπολογισμού για τον αγωγό σας. Οι υπολογιστικοί στόχοι μπορούν να οριστούν για ολόκληρο το μοντέλο ή για μεμονωμένες λειτουργικές μονάδες εντός του αγωγού, επιτρέποντάς σας να συντονίσετε την απόδοση κατάλληλα.
Είναι καλύτερο να σκεφτείτε τους υπολογιστικούς πόρους του μοντέλου σας ως υπολογιστές χωρίς διακομιστές, οι οποίοι κλιμακώνονται ανάλογα με τις ανάγκες. Όταν δεν το χρησιμοποιείτε, θα μειωθεί στο μηδέν και θα χρειαστούν έως και πέντε λεπτά για να περιστραφεί ξανά. Αυτό μπορεί να επηρεάσει τις λειτουργίες εφαρμογών, επομένως βεβαιωθείτε ότι είναι διαθέσιμη πριν από την εκτέλεση εφαρμογών που εξαρτώνται από αυτήν. Θα πρέπει να λάβετε υπόψη τους πόρους που απαιτούνται για την εκπαίδευση ενός μοντέλου κατά την επιλογή ενός υπολογιστικού στόχου. Τα σύνθετα μοντέλα μπορούν να επωφεληθούν από την υποστήριξη GPU του Azure, με υποστήριξη για τις περισσότερες από τις επιλογές υπολογισμού του Azure (ανάλογα με το διαθέσιμο όριο).
Αφού ρυθμίσετε τους πόρους υπολογιστικής εκπαίδευσης, επιλέξτε ένα σύνολο δεδομένων εκπαίδευσης. Αυτό μπορεί να είναι τα δικά σας δεδομένα ή ένα από τα δείγματα της Microsoft. Τα προσαρμοσμένα σύνολα δεδομένων μπορούν να κατασκευαστούν από τοπικά αρχεία, από δεδομένα που έχουν ήδη αποθηκευτεί στο Azure, από τον Ιστό ή από καταχωρημένα ανοιχτά σύνολα δεδομένων (τα οποία είναι συχνά κυβερνητικές πληροφορίες).
Χρήση δεδομένων στο Azure ML Designer
Τα εργαλεία στο Designer σάς επιτρέπουν να εξερευνήσετε τα σύνολα δεδομένων που χρησιμοποιείτε, οπότε μπορείτε να είστε σίγουροι ότι έχετε τη σωστή πηγή για το μοντέλο που προσπαθείτε να δημιουργήσετε. Με μια πηγή δεδομένων στον καμβά, μπορείτε να ξεκινήσετε να σύρετε τις ενότητες και να τις συνδέσετε για να επεξεργαστείτε τα εκπαιδευτικά σας δεδομένα. για παράδειγμα, αφαίρεση στηλών που δεν περιέχουν αρκετά δεδομένα ή καθαρισμό των δεδομένων που λείπουν. Αυτή η διαδικασία μεταφοράς και σύνδεσης μοιάζει πολύ με την εργασία με εργαλεία χαμηλού κώδικα, όπως αυτά στην πλατφόρμα Power. Αυτό που διαφέρει εδώ είναι ότι έχετε την επιλογή να χρησιμοποιήσετε τις δικές σας ενότητες.
Μετά την επεξεργασία των δεδομένων, μπορείτε να αρχίσετε να επιλέγετε τις ενότητες που θέλετε να εκπαιδεύσετε το μοντέλο σας. Η Microsoft παρέχει ένα σύνολο κοινών αλγορίθμων, καθώς και εργαλεία για το διαχωρισμό συνόλων δεδομένων για εκπαίδευση και δοκιμές. Τα μοντέλα που προκύπτουν μπορούν να βαθμολογηθούν χρησιμοποιώντας μια άλλη ενότητα μόλις τα εκτελέσετε κατά την προπόνηση. Οι βαθμολογίες μεταφέρονται σε μια ενότητα αξιολόγησης, ώστε να μπορείτε να δείτε πόσο καλά λειτουργεί ο αλγόριθμος σας. Χρειάζεστε κάποια στατιστική γνώση για να ερμηνεύσετε τα αποτελέσματα, ώστε να μπορείτε να κατανοήσετε τους τύπους σφαλμάτων που δημιουργούνται, αν και στην πράξη όσο μικρότερη είναι η τιμή σφάλματος, τόσο το καλύτερο. Δεν χρειάζεται να χρησιμοποιήσετε τους προετοιμασμένους αλγόριθμους, καθώς μπορείτε να φέρετε τον δικό σας κώδικα Python και R.
Ένα εκπαιδευμένο και δοκιμασμένο μοντέλο μπορεί γρήγορα να μετατραπεί σε αγωγό συμπερασμάτων, έτοιμο για χρήση στις εφαρμογές σας. Αυτό προσθέτει τελικά σημεία εισόδου και εξόδου API REST στο μοντέλο σας, έτοιμα για χρήση στον κώδικά σας. Το μοντέλο που προκύπτει στη συνέχεια αναπτύσσεται σε ένα σύμπλεγμα συμπερασμάτων AKS ως έτοιμο προς χρήση κοντέινερ.
Αφήστε το Azure να τα κάνει όλα για εσάς: Αυτοματοποιημένη μηχανική εκμάθηση
Σε πολλές περιπτώσεις δεν χρειάζεται καν να κάνετε τόσο μεγάλη ανάπτυξη. Η Microsoft κυκλοφόρησε πρόσφατα μια επιλογή Αυτοματοποιημένου ML, με βάση τις εργασίες που πραγματοποιήθηκαν στο Microsoft Research. Εδώ ξεκινάτε με ένα σύνολο δεδομένων προσβάσιμο σε Azure, το οποίο πρέπει να είναι δεδομένα πίνακα. Προορίζεται για τρεις τύπους μοντέλων: ταξινόμηση, παλινδρόμηση και προβλέψεις. Μόλις παρέχετε δεδομένα και επιλέξετε έναν τύπο μοντέλου, το εργαλείο θα δημιουργήσει αυτόματα ένα σχήμα από τα δεδομένα που μπορείτε να χρησιμοποιήσετε για να ενεργοποιήσετε και να απενεργοποιήσετε συγκεκριμένα πεδία δεδομένων, δημιουργώντας ένα πείραμα που στη συνέχεια εκτελείται για να δημιουργήσετε και να δοκιμάσετε ένα μοντέλο.
Το αυτοματοποιημένο ML θα δημιουργήσει και θα ταξινομήσει διάφορα μοντέλα, τα οποία μπορείτε να ερευνήσετε για να προσδιορίσετε ποιο είναι το καλύτερο για το πρόβλημά σας. Μόλις βρείτε το μοντέλο που θέλετε, μπορείτε να προσθέσετε γρήγορα τα στάδια εισόδου και εξόδου και να το αναπτύξετε ως υπηρεσία, έτοιμο για χρήση σε εργαλεία όπως το Power BI.
Με τη μηχανική εκμάθηση ένα όλο και πιο σημαντικό εργαλείο πρόβλεψης σε πολλούς διαφορετικούς τύπους επιχειρηματικών προβλημάτων, ο σχεδιαστής εκμάθησης μηχανών Azure μπορεί να το φέρει σε πολύ ευρύτερο κοινό. Εάν έχετε δεδομένα, μπορείτε να δημιουργήσετε αναλυτικά και προγνωστικά μοντέλα, με ελάχιστη εξειδίκευση στην επιστήμη δεδομένων. Με τη νέα υπηρεσία Αυτοματοποιημένου ML, είναι εύκολο να μεταβείτε από δεδομένα σε υπηρεσία σε αναλυτικά στοιχεία χωρίς κώδικα.
