Migración a Azure Machine Learning
Importante
El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.
A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.
La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.
Veremos cómo migrar desde Studio (clásico) a Azure Machine Learning. Azure Machine Learning proporciona una plataforma de ciencia de datos modernizada que combina enfoques sin código y de código primero.
Esta guía versa sobre una migración mediante lift-and-shift básica. Si lo que quiere es optimizar un flujo de trabajo de aprendizaje automático existente o modernizar una plataforma de aprendizaje automático, consulte el marco de adopción de Azure Machine Learning para obtener más recursos, como herramientas de encuesta digital, hojas de cálculo y plantillas de planeamiento.
Enfoque recomendado
Para migrar a Azure Machine Learning, se recomienda usar el siguiente enfoque:
- Paso 1: Evaluar Azure Machine Learning
- Paso 2: Definir una estrategia y un plan
- Paso 3: Recompilar los experimentos y servicios web
- Paso 4: Integrar las aplicaciones cliente
- Paso 5: Limpiar los recursos de Studio (clásico)
- Paso 6: Revisar y ampliar los escenarios
Paso 1: Evaluar Azure Machine Learning
Consiga más información sobre Azure Machine Learning: sus ventajas, costos y arquitectura.
Compare las funcionalidades de Azure Machine Learning y Studio (clásico).
Nota
La característica de diseñador de Azure Machine Learning ofrece una experiencia de arrastrar y colocar similar a Studio (clásico). Sin embargo, Azure Machine Learning también proporciona sólidos flujos de trabajo de código primero como alternativa. Esta serie de migración se centra en el diseñador, ya que es más similar a la experiencia de Studio (clásico).
En la tabla siguiente se resumen las principales diferencias entre Machine Learning Studio (clásico) y Azure Machine Learning.
Característica ML Studio (clásico) Azure Machine Learning Interfaz que permite arrastrar y colocar Experiencia clásica Experiencia actualizada: diseñador de Azure Machine Learning SDK de código No compatible Completamente integrado con los SDK de Azure Machine Learning Python y R Experimento Escalable (límite de datos de entrenamiento, 10 GB) Escalar con destino de proceso Entrenamiento de destinos de proceso Destino de proceso propietario, solo admite CPU Amplia gama de destinos de proceso de entrenamiento personalizables. Incluye compatibilidad con GPU y CPU Destinos de proceso de implementación Formato del servicio web propietario, no personalizable Amplia gama de destinos de proceso de implementación personalizables. Incluye compatibilidad con GPU y CPU Canalización de Machine Learning No compatible Creación de canalizaciones flexibles y modulares para automatizar flujos de trabajo MLOps Implementación y administración básicas de modelos; implementaciones exclusivas de CPU Control de versiones de entidades (modelo, datos, flujos de trabajo), automatización de flujos de trabajo, integración con herramientas de CICD, implementaciones de CPU y GPU, y más Formato del modelo Formato propietario, solo Studio (clásico) Se admiten varios formatos en función del tipo de trabajo de entrenamiento Entrenamiento de modelos y optimización de hiperparámetros automatizados No compatible Admitido. Opciones de los tipos código primero y sin código. Detección de desfase de datos No compatible Compatible Proyecto de etiquetado de datos No compatible Compatible Control de acceso basado en rol (RBAC) Solo rol de colaborador y propietario Definición de roles flexibles y control RBAC AI Gallery Compatible (https://gallery.azure.ai/) No compatible
Obtenga información con los cuadernos de SDK de Python de ejemplo.Compruebe que los módulos esenciales de Studio (clásico) se admiten en el diseñador de Azure Machine Learning. Para más información, consulte la tabla Asignación de componentes entre Studio (clásico) y el diseñador a continuación.
Paso 2: Definir una estrategia y un plan
- Defina las diversas justificaciones comerciales y resultados esperados.
- Adecue un plan de adopción Azure Machine Learning viable a los resultados empresariales.
- Prepare las personas, los procesos y los entornos relevantes para el cambio.
Consulte el marco de adopción de Azure Machine Learning para ver diferentes recursos de planeación, incluida una plantilla de documento de planeación.
Paso 3: Recompilar el primer modelo
Tras trazar una estrategia, migre el primer modelo.
Use el diseñador para recompilar los experimentos.
Use el diseñador para volver a implementar los servicios web.
Nota
Azure Machine Learning también admite flujos de trabajo de código primero para migrar conjuntos de datos, entrenamientos e implementaciones.
Paso 4: Integrar las aplicaciones cliente
- Modifique las aplicaciones cliente que invocan los servicios web de Studio (clásico) para que usen los nuevos puntos de conexión de Azure Machine Learning.
Paso 5: Limpiar los recursos de Studio (clásico)
- Limpie los recursos de Studio (clásico) para evitar cargos adicionales. Puede que desee conservar recursos como reserva hasta que haya comprobado las cargas de trabajo de Azure Machine Learning.
Paso 6: Revisar y ampliar los escenarios
- Revise la migración del modelo en relación con los procedimientos recomendados y valide las cargas de trabajo.
- Expanda los escenarios y migre otras cargas de trabajo a Azure Machine Learning.
Asignación de componentes entre Studio (clásico) y el diseñador
En la tabla siguiente puede consultar qué módulos debe usar al recompilar los experimentos de Studio (clásico) en el diseñador.
Importante
El diseñador implementa los módulos mediante paquetes de Python de código abierto, en lugar de usar paquetes de C# como hace Studio (clásico). Debido a esta diferencia, la salida de los módulos del diseñador puede variar ligeramente de sus homólogos de Studio (clásico).
| Category | Módulo de Studio (clásico) | Sustitución de componentes del diseñador |
|---|---|---|
| Entrada y salida de datos | - Enter Data Manually (Introducir datos manualmente) - Export Data (Exportar datos) - Import Data (Importar datos) - Load Trained Model (Cargar modelo entrenado) - Unpack Zipped Datasets (Desempaquetar conjuntos de datos comprimidos) | - Enter Data Manually (Introducir datos manualmente) - Export Data (Exportar datos) - Import Data (Importar datos) |
| Conversiones de formato de datos | - Convert to CSV (Convertir a CSV) - Convert to Dataset (Convertir a conjunto de datos) - Convert to ARFF (Convertir a ARFF) - Convert to SVMLight (Convertir a SVMLight) - Convert to TSV (Convertir a TSV) | - Convert to CSV (Convertir a CSV) - Convert to Dataset (Convertir a conjunto de datos) |
| Data Transformation - Manipulation (Transformación de datos - Manipulación) | - Add columns (Agregar columnas) - Add Rows (Agregar filas) - Apply SQL Transformation (Aplicar transformación de SQL) - Cleaning Missing Data (Limpiar datos que faltan) - Convert to Indicator Values (Convertir en valores de indicador) - Edit Metadata (Editar metadatos) - Join Data (Combinar datos) - Remove Duplicate Rows (Quitar filas duplicadas) - Select Columns in Dataset (Seleccionar columnas del conjunto de datos) - Select Columns Transform (Seleccionar transformación de columnas) - SMOTE - Group Categorical Values (Agrupar valores de categorías) | - Add columns (Agregar columnas) - Add Rows (Agregar filas) - Apply SQL Transformation (Aplicar transformación de SQL) - Cleaning Missing Data (Limpiar datos que faltan) - Convert to Indicator Values (Convertir en valores de indicador) - Edit Metadata (Editar metadatos) - Join Data (Combinar datos) - Remove Duplicate Rows (Quitar filas duplicadas) - Select Columns in Dataset (Seleccionar columnas del conjunto de datos) - Select Columns Transform (Seleccionar transformación de columnas) - SMOTE |
| Data Transformation – Scale and Reduce (Transformación de datos - Escalar y reducir) | - Clip Values (Recorte de valores) - Group Data into Bins (Agrupar datos en rangos) - Normalize Data (Normalizar datos) - Principal Component Analysis (Análisis de componentes principales) | - Clip Values (Recorte de valores) - Group Data into Bins (Agrupar datos en rangos) - Normalize Data (Normalizar datos) |
| Data Transformation – Sample and Split (Transformación de datos - Muestrear y dividir) | - Partition and Sample (Partición y muestra) - Split Data (Dividir datos) | - Partition and Sample (Partición y muestra) - Split Data (Dividir datos) |
| Data Transformation – Filter (Transformación de datos - Filtro) | - Apply Filter (Aplicar filtro) - FIR Filter (Filtro FIR) - IIR Filter (Filtro IIR) - Median Filter (Filtro de mediana) - Moving Average Filter (Filtro de media móvil) - Threshold Filter (Filtro de umbral) - User Defined Filter (Filtro definido por el usuario) | |
| Data Transformation – Learning with Counts (Transformación de datos - Aprendizaje con recuentos) | - Build Counting Transform (Crear transformación de recuento) - Export Count Table (Exportar tabla de recuentos) - Import Count Table (Importar tabla de recuentos) - Merge Count Transform (Combinar transformación de recuento) - Modify Count Table Parameters (Modificar parámetros de tabla de recuento) | |
| Selección de características | - Filter Based Feature Selection (Selección de características basada en filtro) - Fisher Linear Discriminant Analysis (Análisis discriminante lineal de Fisher) - Permutation Feature Importance (Importancia de la característica de permutación) | - Filter Based Feature Selection (Selección de características basada en filtro) - Permutation Feature Importance (Importancia de la característica de permutación) |
| Model - Classification (Modelo - Clasificación) | - Multiclass Decision Forest (Bosque de decisión multiclase) - Multiclass Decision Jungle (Selva de decisión multiclase) - Multiclass Logistic Regression (Regresión logística multiclase) - Multiclass Neural Network (Red neuronal multiclase) - One-vs-All Multiclass (Uno frente a todos multiclase) - Two-Class Averaged Perceptron (Perceptrón promedio de dos clases) - Two-Class Bayes Point Machine (Máquina del punto de Bayes de dos clases) - Two-Class Boosted Decision Tree (Árbol de decisión ampliado de dos clases) - Two-Class Decision Forest (Bosque de decisión de dos clases) - Two-Class Decision Jungle (Selva de decisión de dos clases) - Two-Class Locally-Deep SVM (SVM localmente profunda de dos clases) - Two-Class Logistic Regression (Regresión logística de dos clases) - Two-Class Neural Network (Red neuronal de dos clases) - Two-Class Support Vector Machine (Máquina de vectores de soporte de dos clases) | - Multiclass Decision Forest (Bosque de decisión multiclase) - Multiclass Boost Decision Tree (Árbol de decisión ampliado multiclase) - Multiclass Logistic Regression (Regresión logística multiclase) - Multiclass Neural Network (Red neuronal multiclase) - One-vs-All Multiclass (Uno frente a todos multiclase) - Two-Class Averaged Perceptron (Perceptrón promedio de dos clases) - Two-Class Boosted Decision Tree (Árbol de decisión ampliado de dos clases) - Two-Class Decision Forest (Bosque de decisión de dos clases) - Two-Class Logistic Regression (Regresión logística de dos clases) - Two-Class Neural Network (Red neuronal de dos clases) - Two-Class Support Vector Machine (Máquina de vectores compatible con dos clases) |
| Model - Clustering (Modelo - Agrupación en clústeres) | - K-means clustering (Agrupación en clústeres K-means) | - K-means clustering (Agrupación en clústeres K-means) |
| Model - Regression (Modelo - Regresión) | - Bayesian Linear Regression (Regresión lineal bayesiana) - Boosted Decision Tree Regression (Regresión de árbol de decisión incrementado) - Decision Forest Regression (Regresión de bosque de decisión) - Fast Forest Quantile Regression (Regresión rápida de bosque por cuantiles) - Linear Regression (Regresión lineal) - Neural Network Regression (Regresión de red neuronal) - Ordinal Regression Poisson Regression (Regresión ordinal, Regresión de Poisson) | - Boosted Decision Tree Regression (Regresión de árbol de decisión incrementado) - Decision Forest Regression (Regresión de bosque de decisión) - Fast Forest Quantile Regression (Regresión rápida de bosque por cuantiles) - Linear Regression (Regresión lineal) - Neural Network Regression (Regresión de red neuronal) - Poisson Regression (Regresión de Poisson) |
| Model – Anomaly Detection (Modelo - Detección de anomalías) | - One-Class SVM (SVM de una clase) - PCA-Based Anomaly Detection (Detección de anomalías basada en PCA) | - PCA-Based Anomaly Detection (Detección de anomalías basada en PCA) |
| Machine Learning – Evaluate (Aprendizaje automático - Evaluar) | - Cross Validate Model (Modelo de validación cruzada) - Evaluate Model (Evaluar modelo) - Evaluate Recommender (Evaluar recomendador) | - Cross Validate Model (Modelo de validación cruzada) - Evaluate Model (Evaluar modelo) - Evaluate Recommender (Evaluar recomendador) |
| Machine Learning – Train (Aprendizaje automático - Entrenar) | - Sweep Clustering (Agrupación en clústeres de barrido) - Train Anomaly Detection Model (Entrenar modelo de detección de anomalías) - Train Clustering Model (Entrenar modelo de agrupación en clústeres) - Train Matchbox Recommender (Entrenar un recomendador de Matchbox) Train Model (Entrenar modelo) - Tune Model Hyperparameters (Optimizar los hiperparámetros del modelo) | - Train Anomaly Detection Model (Entrenar modelo de detección de anomalías) - Train Clustering Model (Entrenar modelo de agrupación en clústeres) - Train Model (Entrenar modelo) - Train PyTorch Model (Entrenar modelo PyTorch) - Train SVD Recommender (Entrenar recomendador de SVD) - Train Wide and Deep Recommender (Entrenamiento del recomendador ancho y profundo) - Tune Model Hyperparameters (Optimizar los hiperparámetros del modelo) |
| Machine Learning – Score (Aprendizaje automático - Puntuar) | - Apply Transformation (Aplicar transformación) - Assign Data to Clusters (Asignar datos a clústeres) Score Matchbox Recommender (Puntuar recomendador de Matchbox) - Score Model (Puntuar modelo) | - Apply Transformation (Aplicar transformación) - Assign Data to Clusters (Asignar datos a clústeres) - Score Image Model (Puntuar modelo de imagen) - Score Model (Puntuar modelo) Score SVD Recommender (Puntuar recomendador de SVD) -Score Wide and Deep Recommender (Puntuación del recomendador ancho y profundo) |
| Módulos de la biblioteca OpenCV | - Import Images (Importar imágenes) - Pre-trained Cascade Image Classification (Clasificación de imágenes en cascada previamente entrenada) | |
| Módulos de lenguaje de Python | Execute Python Script (Ejecutar script de Python) | Execute Python Script (Ejecutar script de Python) - Create Python Model (Crear modelo de Python) |
| Módulos del lenguaje R | - Execute R Script (Ejecutar script R) - Create R Model (Crear modelo R) | - Execute R Script (Ejecutar script R) |
| Funciones estadísticas | - Apply Math Operation (Aplicar operación matemática) - Compute Elementary Statistics (Cálculo de estadísticas elementales) - Compute Linear Correlation (Cálculo de la correlación lineal) - Evaluate Probability Function (Evaluación de la función de probabilidad) - Replace Discrete Values (Reemplazar valores discretos) - Summarize Data (Resumen de datos) - Test Hypothesis using t-Test (Probar la hipótesis mediante una prueba T) | - Apply Math Operation (Aplicar operación matemática) - Summarize Data (Resumen de datos) |
| Text Analytics | - Detect Languages (Detección de idiomas) - Extract Key Phrases from Text (Extraer frases clave del texto) - Extract N-Gram Features from Text (Extracción de características de n-gramas de texto) - Feature Hashing (Hash de características) - Latent Dirichlet Allocation (Asignación de Dirichlet latente) - Named Entity Recognition (Reconocimiento de entidades con nombre) - Preprocess Text (Preprocesamiento de texto) Score Vowpal Wabbit Version 7-10 Model (Puntuar un modelo de Vowpal Wabbit versión 7-10) Score Vowpal Wabbit Version 8 Model (Puntuar un modelo de Vowpal Wabbit versión 8) Train Vowpal Wabbit Version 7-10 Model (Entrenar un modelo de Vowpal Wabbit versión 7-10) Train Vowpal Wabbit Version 8 Model (Entrenar un modelo de Vowpal Wabbit versión 8) | - Convert Word to Vector (Conversión de palabra en vector) - Extract N-Gram Features from Text (Extracción de características de n-gramas de texto) - Feature Hashing (Hash de características) - Latent Dirichlet Allocation (Asignación de Dirichlet latente) - Preprocess Text (Preprocesamiento de texto) - Score Vowpal Wabbit Model (Puntuación del modelo de Vowpal Wabbit) - Train Vowpal Wabbit Model (Entrenamiento del modelo de Vowpal Wabbit) |
| Serie temporal | - Time Series Anomaly Detection (Detección de anomalías en una serie temporal) | |
| Servicio web | - Input (Entrada) - Output (Salida) | - Input (Entrada) - Salida |
| Computer Vision | - Apply Image Transformation (Aplicación de transformación de imagen) - Convert to Image Directory (Conversión al directorio de imagen) - Init Image Transformation (Transformación de imagen init) - Split Image Directory (División de directorio de imagen) - DenseNet Image Classification (Clasificación de imágenes DenseNet) - ResNet Image Classification (Clasificación de imágenes ResNet) |
Para más información sobre cómo usar los módulos individuales del diseñador, consulte la referencia de componentes del diseñador.
¿Qué ocurre si falta un componente del diseñador?
El diseñador de Azure Machine Learning contiene los módulos más populares de Studio (clásico). También incluye nuevos módulos que aprovechan las técnicas de aprendizaje automático más recientes.
Si la migración está bloqueada debido a que faltan módulos en el diseñador, póngase en contacto con nosotros mediante la creación de una incidencia de soporte técnico.
Ejemplo de migración
En la siguiente migración de un experimento se destacan algunas de las diferencias entre Studio (clásico) y Azure Machine Learning.
Conjuntos de datos
En Studio (clásico), los conjuntos de datos se guardaban en el área de trabajo y solo se podían usar en Studio (clásico).
En Azure Machine Learning, los conjuntos de datos se registran en el área de trabajo y se pueden usar en todo Azure Machine Learning. Para obtener más información sobre las ventajas de los conjuntos de datos de Azure Machine Learning, consulte Acceso seguro a datos en Azure Machine Learning.
Canalización
En Studio (clásico), los experimentos contenían la lógica de procesamiento del trabajo. Creaba experimentos con módulos de arrastrar y colocar.
En Azure Machine Learning, las canalizaciones contienen la lógica de procesamiento del trabajo. Puede crear canalizaciones con módulos de arrastrar y colocar, o bien escribiendo código.
Punto de conexión de servicio web
Studio (clásico) usaba REQUEST/RESPOND API para la predicción en tiempo real y BATCH EXECUTION API para la predicción por lotes o el reentrenamiento.
Azure Machine Learning usa puntos de conexión en tiempo real para la predicción en tiempo real y puntos de conexión de canalización para la predicción por lotes o el reentrenamiento.
Pasos siguientes
En este artículo, ha conocido los requisitos generales para migrar a Azure Machine Learning. Para obtener los pasos detallados, consulte los demás artículos de la serie de migración de Studio (clásico):
- Información general sobre la migración.
- Migración de un conjunto de datos de Studio a Azure Machine Learning.
- Recompilación de una canalización de entrenamiento de Studio (clásico).
- Recompilación de un servicio web de Studio (clásico).
- Integración de un servicio web de Azure Machine Learning con aplicaciones cliente.
- Migración de los módulos Execute R Script (Ejecutar script R) de Studio (Clásico).
Consulte el marco de adopción de Azure Machine Learning para ver más recursos de planeación.