¿Qué es el aprendizaje automático?What is machine learning?

El aprendizaje automático es una técnica de ciencia de datos que permite a los equipos utilizar datos existentes para prever tendencias, resultados y comportamientos futuros.Machine learning is a data science technique that allows computers to use existing data to forecast future behaviors, outcomes, and trends. Mediante el aprendizaje automático, los equipos aprenden sin necesidad de programarlos explícitamente.By using machine learning, computers learn without being explicitly programmed. Las herramientas de aprendizaje automático usan sistemas de inteligencia artificial que proporcionan la capacidad de identificar patrones y crear asociaciones a partir de experiencias con los datos.Machine learning tools use AI systems which provide the ability to identify patterns and create associations from experience with the data.

Las previsiones o predicciones del aprendizaje automático automatizado pueden hacer que las aplicaciones y los dispositivos sean más inteligentes.Automated machine learning forecasts or predictions can make applications and devices smarter. Por ejemplo, cuando compra en línea, el aprendizaje automático ayuda a recomendar otros productos según lo que haya adquirido.For example, when you shop online, machine learning helps recommend other products you might want based on what you've bought. O, cuando pasa su tarjeta de crédito, el aprendizaje automático compara la transacción con una base de datos de transacciones y ayuda a detectar fraudes.Or when your credit card is swiped, machine learning compares the transaction to a database of transactions and helps detect fraud. Y cuando la aspiradora robot aspira una sala, el aprendizaje automático le ayuda a decidir si se ha terminado el trabajo.And when your robot vacuum cleaner vacuums a room, machine learning helps it decide whether the job is done.

Herramientas de aprendizaje automático que se ajustan a cada tareaMachine learning tools to fit each task

Azure Machine Learning proporciona todas las herramientas que los desarrolladores y científicos de datos necesitan para sus flujos de trabajo de aprendizaje automático, entre las que se incluyen:Azure Machine Learning provides all the tools developers and data scientists need for their machine learning workflows, including:

Incluso puede usar MLflow para realizar un seguimiento de las métricas e implementar modelos o kubeflow para crear canalizaciones de flujos de trabajo de un extremo a otro.You can even use MLflow to track metrics and deploy models or kubeflow to build end-to-end workflow pipelines.

Generación de modelos de Machine Learning en Python o RBuild machine learning models in Python or R

Empiece a entrenar en su máquina local mediante el SDK de Python o el SDK de R para Azure Machine Learning.Start training on your local machine using the Azure Machine Learning Python SDK or R SDK. Luego, puede escalar horizontalmente a la nube.Then, you can scale out to the cloud. Con muchos destinos de proceso disponibles, por ejemplo, los procesos de Azure Machine Learning y Azure Databricks, y con los servicios avanzados de ajuste de hiperparámetros, puede compilar mejores modelos de forma más rápida gracias al potencial de la nube.With many available compute targets, like Azure Machine Learning compute and Azure Databricks, and with advanced hyperparameter tuning services, you can build better models faster by using the power of the cloud. También puede automatizar el entrenamiento y optimización del modelo mediante el SDK.You can also automate model training and tuning using the SDK.

Generación de modelos de Machine Learning con herramientas sin códigoBuild machine learning models with no-code tools

Para realizar la implementación y el entrenamiento sin código o con poco código, pruebe:For code-free or low-code training and deployment, try:

  • Diseñador de Azure Machine Learning (versión preliminar)Azure Machine Learning designer (preview)

    Use el diseñador para preparar los datos, entrenar, probar, implementar, administrar y realizar un seguimiento de los modelos de aprendizaje automático sin necesidad de escribir código.Use the designer to prep data, train, test, deploy, manage, and track machine learning models without writing any code. No se requiere programación; conecte visualmente los conjuntos de datos y los módulos para construir el modelo.There is no programming required, you visually connect datasets and modules to construct your model. Pruebe el tutorial del diseñador.Try out the designer tutorial.

    Puede obtener más información en el artículo de introducción al diseñador de Azure Machine Learning.Learn more in the Azure Machine Learning designer overview article.

  • UI de aprendizaje automático automatizado (AutoML)Automated machine learning (AutoML) UI

    Aprenda a crear experimentos de AutoML en una interfaz fácil de usar.Learn how to create AutoML experiments in the easy-to-use interface.

MLOps: Administración de implementaciones y ciclos de vidaMLOps: Deploy and lifecycle management

Las operaciones de aprendizaje automático (MLOps) se basan en los principios y procedimientos de DevOps que aumentan la eficacia de los flujos de trabajo.Machine learning operations (MLOps) is based on DevOps principles and practices that increase the efficiency of workflows. Por ejemplo, integración continua, entrega e implementación.For example, continuous integration, delivery, and deployment. MLOps aplica estos principios al proceso de aprendizaje automático, con el objetivo de:MLOps applies these principles to the machine learning process, with the goal of:

  • Conseguir una experimentación y desarrollo de modelos más rápidosFaster experimentation and development of models
  • Conseguir una implementación más rápida de los modelos en producciónFaster deployment of models into production
  • Control de calidadQuality assurance

Cuando tenga el modelo adecuado, podrá usarlo fácilmente en un servicio web, en un dispositivo de IoT o en Power BI.When you have the right model, you can easily use it in a web service, on an IoT device, or from Power BI. Para más información, consulte Implementación de modelos con Azure Machine Learning.For more information, see Deploy models with Azure Machine Learning.

Luego, puede administrar los modelos implementados mediante el SDK de Azure Machine Learning para Python, Azure Machine Learning Studio o la CLI de Machine Learning.Then you can manage your deployed models by using the Azure Machine Learning SDK for Python, Azure Machine Learning studio, or the Machine learning CLI.

Se pueden usar estos modelos para que devuelvan predicciones en tiempo real o de forma asincrónica para grandes cantidades de datos.These models can be consumed and return predictions in Real time or asynchronously on large quantities of data.

Y con las canalizaciones de aprendizaje automático avanzadas, puede colaborar en cada paso desde la preparación de datos, el entrenamiento y la evaluación de modelos hasta su implementación.And with advanced machine learning pipelines, you can collaborate on each step from data preparation, model training and evaluation, through deployment. Las canalizaciones permiten:Pipelines allow you to:

  • Automatizar el proceso de aprendizaje automático de un extremo a otro en la nubeAutomate the end-to-end machine learning process in the cloud
  • Reutilizar los componentes y volver a ejecutar los pasos cuando sea necesarioReuse components and only rerun steps when needed
  • Usar recursos de proceso diferentes en cada pasoUse different compute resources in each step
  • Ejecutar tareas de puntuación por lotesRun batch scoring tasks

Si desea usar scripts para automatizar el flujo de trabajo de aprendizaje automático, la CLI de Machine Learning proporciona herramientas de línea de comandos que realizan tareas comunes, como el envío de una ejecución de entrenamiento o la implementación de un modelo.If you want to use scripts to automate your machine learning workflow, the Machine learning CLI provides command-line tools that perform common tasks, such as submitting a training run or deploying a model.

Para comenzar a usar Azure Machine Learning, consulte la sección Pasos siguientes.To get started using Azure Machine Learning, see Next steps.

Automated Machine LearningAutomated Machine Learning

Los científicos de datos dedican una cantidad de tiempo desmesurada a la iteración de los modelos durante la fase de experimentación.Data scientists spend an inordinate amount of time iterating over models during the experimentation phase. Todo el proceso de prueba de los distintos algoritmos y combinaciones de hiperparámetros hasta que se alcanza un modelo aceptable es extremadamente exigente para los científicos de datos, debido a la naturaleza monótona y poco desafiante del trabajo.The whole process of trying out different algorithms and hyperparameter combinations until an acceptable model is built is extremely taxing for data scientists, due to the monotonous and non-challenging nature of work. Si bien se trata de un ejercicio que genera enormes ganancias en cuanto a la eficacia del modelo, a veces cuesta demasiado en cuanto a tiempo y recursos y, por tanto, puede tener una rentabilidad de la inversión (ROI) negativa.While this is an exercise that yields massive gains in terms of the model efficacy, it sometimes costs too much in terms of time and resources and thus may have a negative return on investment (ROI).

Aquí es donde entra en juego el aprendizaje automático automatizado (AutoML).This is where automated machine learning (AutoML) comes in. Usa los conceptos del documento de investigación sobre la factorización probabilística de matrices e implementa una canalización automatizada de probar los algoritmos seleccionados de forma inteligente y la configuración de hipermedidores, en función de la heurística de los datos presentados, teniendo en cuenta el problema o escenario dados.It uses the concepts from the research paper on probabilistic matrix factorization and implements an automated pipeline of trying out intelligently-selected algorithms and hypermeter settings, based on the heuristics of the data presented, keeping into consideration the given problem or scenario. El resultado de esta canalización es un conjunto de modelos que son más adecuados para el problema y el conjunto de resultados dados.The result of this pipeline is a set of models that are best suited for the given problem and dataset.

Para obtener más información sobre AutoML, consulte AutoML y MLOps con Azure Machine Learning.For more information on AutoML, see AutoML and MLOps with Azure Machine Learning.

Aprendizaje automático responsableResponsible ML

A lo largo del desarrollo y el uso de sistemas de AI, la confianza debe ser el centro de todo.Throughout the development and use of AI systems, trust must be at the core. Debe confiar en la plataforma, el proceso y los modelos.Trust in the platform, process, and models. La IA y los sistemas autónomos están cada vez más integrados en la sociedad, por lo que es importante hacer un esfuerzo para prever y mitigar las consecuencias no deseadas de estas tecnologías.As AI and autonomous systems integrate more into the fabric of society, it's important to proactively make an effort to anticipate and mitigate the unintended consequences of these technologies.

  • Comprenda los modelos y compile según el principio de equidad: explique el comportamiento del modelo y descubra las características que tengan el mayor impacto en las predicciones.Understand your models and build for fairness: Explain model behavior and uncover features that have the most impact on predictions. Use los explicadores integrados para los modelos de caja de cristal y caja negra durante el entrenamiento y la inferencia del modelo.Use built-in explainers for both glass-box and black-box models during model training and inference. Use visualizaciones interactivas para comparar modelos y realizar análisis de hipótesis para mejorar la precisión del modelo.Use interactive visualizations to compare models and perform what-if analysis to improve model accuracy. Pruebe la equidad de los modelos con algoritmos de última generación.Test your models for fairness using state-of-the-art algorithms. Mitigue la inequidad a lo largo del ciclo de vida del aprendizaje automático, compare los modelos mitigados, y realice concesiones intencionales entre equidad y precisión según lo desee.Mitigate unfairness throughout the machine learning lifecycle, compare mitigated models, and make intentional fairness versus accuracy trade-offs as desired.
  • Proteja la privacidad y la confidencialidad de los datos: cree modelos que preserven la privacidad usando las últimas innovaciones en privacidad diferencial, que inyecta niveles precisos de ruido estadístico en los datos con el fin de limitar la divulgación de información confidencial.Protect data privacy and confidentiality: Build models that preserve privacy using the latest innovations in differential privacy, which injects precise levels of statistical noise in data to limit the disclosure of sensitive information. Identifique las fugas de datos y limite de forma inteligente las consultas repetidas para controlar el riesgo de exposición.Identify data leaks and intelligently limit repeat queries to manage exposure risk. Utilice técnicas de cifrado y aprendizaje automático confidencial (próximamente) diseñadas específicamente para el aprendizaje automático con el fin de crear de forma segura modelos usando datos confidenciales.Use encryption and confidential machine learning (coming soon) techniques specifically designed for machine learning to securely build models using confidential data.
  • Controle y regule cada paso del proceso de aprendizaje automático: acceda a las funcionalidades integradas para realizar un seguimiento automático del linaje y cree una prueba de auditoría en el ciclo de vida del aprendizaje automático.Control and govern through every step of the machine learning process: Access built-in capabilities to automatically track lineage and create an audit trial across the machine learning lifecycle. Obtenga visibilidad completa del proceso de aprendizaje automático mediante el seguimiento de conjuntos de datos, modelos, experimentos, código, etc.Obtain full visibility into the machine learning process by tracking datasets, models, experiments, code, and more. Utilice etiquetas personalizadas para implementar hojas de datos de modelo, documentar metadatos clave del modelo, aumentar la responsabilidad y garantizar un proceso responsable.Use custom tags to implement model data sheets, document key model metadata, increase accountability, and ensure responsible process.

Obtenga más información sobre cómo implementar ML responsable.Learn more about how to implement Responsible ML.

Integración con otros serviciosIntegration with other services

Azure Machine Learning funciona con otros servicios de la plataforma de Azure y también se integra con herramientas de código abierto como Git y MLFlow.Azure Machine Learning works with other services on the Azure platform, and also integrates with open-source tools such as Git and MLflow.

Pasos siguientesNext steps