Qu’est-ce que le concepteur Azure Machine Learning (préversion) ?What is Azure Machine Learning designer (preview)?

S’APPLIQUE À : nonÉdition De base ouiÉdition Entreprise                        (Mise à niveau vers l’édition Entreprise)APPLIES TO: noBasic edition yesEnterprise edition                       (Upgrade to Enterprise)

Le concepteur Azure Machine Learning vous permet de connecter visuellement les jeux de données et les modules sur un canevas interactif afin de créer des modèles Machine Learning.Azure Machine Learning designer lets you visually connect datasets and modules on an interactive canvas to create machine learning models. Pour plus d'informations sur la prise en main du concepteur, consultez Tutoriel : Prédire le prix de voitures avec le concepteurTo learn how to get started with the designer, see Tutorial: Predict automobile price with the designer

Exemple de concepteur Azure Machine Learning

Le concepteur utilise votre espace de travail Azure Machine Learning pour organiser des ressources partagées telles que :The designer uses your Azure Machine Learning workspace to organize shared resources such as:

Formation et déploiement du modèleModel training and deployment

Le concepteur vous donne un canevas visuel permettant de générer, tester et déployer des modèles Machine Learning.The designer gives you a visual canvas to build, test, and deploy machine learning models. À l’aide du concepteur, vous pouvez :With the designer you can:

  • Glisser-déplacer les jeux de données et les modules sur le canevas.Drag-and-drop datasets and modules onto the canvas.
  • Connecter les modules pour former un brouillon de pipeline.Connect the modules to create a pipeline draft.
  • Envoyer une exécution de pipeline à l’aide des ressources de calcul de votre espace de travail Azure Machine Learning.Submit a pipeline run using the compute resources in your Azure Machine Learning workspace.
  • Convertir vos pipelines de formation en pipelines d’inférence.Convert your training pipelines to inference pipelines.
  • Publier vos pipelines sur un point de terminaison de pipeline REST pour envoyer un nouveau pipeline qui s’exécute avec des paramètres et des jeux de données différents.Publish your pipelines to a REST pipeline endpoint to submit a new pipeline that runs with different parameters and datasets.
    • Publier un pipeline de formation pour réutiliser un pipeline unique afin d’effectuer l’apprentissage de plusieurs modèles tout en modifiant les paramètres et les jeux de données.Publish a training pipeline to reuse a single pipeline to train multiple models while changing parameters and datasets.
    • Publier un pipeline d’inférence par lot pour effectuer des prédictions sur de nouvelles données à l’aide d’un modèle préalablement formé.Publish a batch inference pipeline to make predictions on new data by using a previously trained model.
  • Déployer un pipeline d’inférence en temps réel vers un point de terminaison en temps réel pour effectuer des prédictions sur de nouvelles données en temps réel.Deploy a real-time inference pipeline to a real-time endpoint to make predictions on new data in real-time.

Diagramme de flux de travail pour la formation, l’inférence par lot et l’inférence en temps réel dans le concepteur

PipelinePipeline

Un pipeline se compose de jeux de données et de modules d’analyse qui sont connectés.A pipeline consists of datasets and analytical modules, which you connect. Les pipelines ont de nombreuses utilisations : vous pouvez créer un pipeline qui effectue l’apprentissage d’un modèle unique ou un pipeline qui effectue l’apprentissage de plusieurs modèles.Pipelines have many uses: you can make a pipeline that trains a single model, or one that trains multiple models. Il est possible de créer un pipeline qui effectue des prédictions en temps réel ou par lot, ou qui se contente de nettoyer les données.You can create a pipeline that makes predictions in real-time or in batch, or make a pipeline that only cleans data. Les pipelines vous permettent de réutiliser votre travail et d’organiser vos projets.Pipelines let you reuse your work and organize your projects.

Brouillon de pipelinePipeline draft

Lorsque vous modifiez un pipeline dans le concepteur, votre progression est enregistrée en tant que brouillon de pipeline.As you edit a pipeline in the designer, your progress is saved as a pipeline draft. Vous pouvez modifier un brouillon de pipeline à tout moment en ajoutant ou en supprimant des modules, en configurant des cibles de calcul, en créant des paramètres et ainsi de suite.You can edit a pipeline draft at any point by adding or removing modules, configuring compute targets, creating parameters, and so on.

Un pipeline valide a les caractéristiques suivantes :A valid pipeline has these characteristics:

  • Les jeux de données peuvent uniquement se connecter à des modules.Datasets can only connect to modules.
  • Les modules peuvent uniquement se connecter à des jeux de données ou à d’autres modules.Modules can only connect to either datasets or other modules.
  • Tous les ports d’entrée des modules doivent comporter une connexion au flux de données.All input ports for modules must have some connection to the data flow.
  • Tous les paramètres obligatoires de chaque module doivent être configurés.All required parameters for each module must be set.

Lorsque vous êtes prêt à exécuter votre brouillon de pipeline, vous soumettez une exécution de pipeline.When you're ready to run your pipeline draft, you submit a pipeline run.

Exécution du pipelinePipeline run

Chaque fois que vous exécutez un pipeline, la configuration du pipeline et ses résultats sont stockés dans votre espace de travail sous la forme d’une exécution de pipeline.Each time you run a pipeline, the configuration of the pipeline and its results are stored in your workspace as a pipeline run. Vous pouvez revenir à n’importe quelle exécution de pipeline pour l’inspecter à des fins de résolution de problèmes ou d’audit.You can go back to any pipeline run to inspect it for troubleshooting or auditing purposes. Clonez une exécution de pipeline pour créer un brouillon de pipeline que vous pouvez modifier.Clone a pipeline run to create a new pipeline draft for you to edit.

Les exécutions de pipeline sont regroupées en expériences afin d’organiser l’historique des exécutions.Pipeline runs are grouped into experiments to organize run history. Vous pouvez définir l’expérience pour chaque exécution de pipeline.You can set the experiment for every pipeline run.

Groupes de donnéesDatasets

Un jeu de données Machine Learning facilite l’accès aux données et l’utilisation de ces dernières.A machine learning dataset makes it easy to access and work with your data. Plusieurs exemples de jeux de données sont inclus dans le concepteur à des fins de test.Several sample datasets are included in the designer for you to experiment with. Vous pouvez inscrire plusieurs jeux de données en fonction de vos besoins.You can register more datasets as you need them.

ModuleModule

Un module est un algorithme que vous appliquez à vos données.A module is an algorithm that you can perform on your data. Le concepteur comporte plusieurs modules, allant de fonctions d’entrée des données à des processus d’entraînement, de scoring et de validation.The designer has several modules ranging from data ingress functions to training, scoring, and validation processes.

Un module peut comporter un ensemble de paramètres utilisables pour configurer les algorithmes internes du module.A module may have a set of parameters that you can use to configure the module's internal algorithms. Quand vous sélectionnez un module dans le canevas, ses paramètres sont affichés dans le volet Propriétés à droite du canevas.When you select a module on the canvas, the module's parameters are displayed in the Properties pane to the right of the canvas. Vous pouvez modifier les paramètres figurant dans ce volet pour affiner votre modèle.You can modify the parameters in that pane to tune your model. Vous pouvez définir les ressources de calcul pour des modules individuels dans le concepteur.You can set the compute resources for individual modules in the designer.

Propriétés du module

Pour obtenir de l’aide sur la navigation dans la bibliothèque des algorithmes d’apprentissage automatique disponibles, consultez Vue d’ensemble des informations de référence relatives aux algorithmes et aux modules.For some help navigating through the library of machine learning algorithms available, see Algorithm & module reference overview. Pour obtenir de l’aide sur le choix d’un algorithme, consultez Aide-mémoire de l’algorithme Machine Learning.For help choosing an algorithm, see the Azure Machine Learning Algorithm Cheat Sheet.

Ressources de calculCompute resources

Utilisez les ressources de calcul de votre espace de travail pour exécuter votre pipeline et héberger vos modèles déployés en tant que points de terminaison en temps réel ou points de terminaison de pipeline (pour l’inférence de lot).Use compute resources from your workspace to run your pipeline and host your deployed models as real-time endpoints or pipeline endpoints (for batch inference). Les cibles de calcul prises en charge sont les suivantes :The supported compute targets are:

Cible de calculCompute target EntrainementTraining DéploiementDeployment
Capacité de calcul Azure Machine LearningAzure Machine Learning compute
Instance de calcul Azure Machine LearningAzure Machine Learning compute instance
Azure Kubernetes ServiceAzure Kubernetes Service

Les cibles de calcul sont associées à votre espace de travail Azure Machine Learning.Compute targets are attached to your Azure Machine Learning workspace. Vous gérez vos cibles de calcul dans votre espace de travail dans le studio Azure Machine Learning.You manage your compute targets in your workspace in the Azure Machine Learning studio.

DéployerDeploy

Pour effectuer une inférence en temps réel, vous devez déployer un pipeline en tant que point de terminaison en temps réel.To perform real-time inferencing, you must deploy a pipeline as a real-time endpoint. Le point de terminaison en temps réel crée une interface entre une application externe et votre modèle de scoring.The real-time endpoint creates an interface between an external application and your scoring model. Un appel à un point de terminaison en temps réel renvoie les résultats de prédiction à l’application en temps réel.A call to a real-time endpoint returns prediction results to the application in real-time. Pour générer un appel vers un point de terminaison en temps réel, vous transmettez la clé API créée au moment du déploiement du point de terminaison.To make a call to a real-time endpoint, you pass the API key that was created when you deployed the endpoint. Le point de terminaison s’appuie sur l’architecture populaire REST, souvent choisie pour les projets de programmation web.The endpoint is based on REST, a popular architecture choice for web programming projects.

Les points de terminaison en temps réel doivent être déployés sur un cluster Azure Kubernetes Service.Real-time endpoints must be deployed to an Azure Kubernetes Service cluster.

Pour savoir comment déployer votre modèle, consultez Tutoriel : Déployez un modèle Machine Learning avec le concepteur.To learn how to deploy your model, see Tutorial: Deploy a machine learning model with the designer.

PublishPublish

Vous pouvez également publier un pipeline sur un point de terminaison de pipeline.You can also publish a pipeline to a pipeline endpoint. Semblable à un point de terminaison en temps réel, un point de terminaison de pipeline vous permet d’envoyer de nouvelles exécutions de pipeline à partir d’applications externes à l’aide d’appels REST.Similar to a real-time endpoint, a pipeline endpoint lets you submit new pipeline runs from external applications using REST calls. Toutefois, vous ne pouvez pas envoyer ni recevoir de données en temps réel à l’aide d’un point de terminaison de pipeline.However, you cannot send or receive data in real-time using a pipeline endpoint.

Les pipelines publiés sont flexibles ; ils peuvent être utilisés pour effectuer ou réeffectuer l’entraînement de modèles, effectuer des inférences par lot, traiter de nouvelles données et bien plus encore.Published pipelines are flexible, they can be used to train or retrain models, perform batch inferencing, process new data, and much more. Vous pouvez publier plusieurs pipelines sur un point de terminaison de pipeline unique et spécifier la version de pipeline à exécuter.You can publish multiple pipelines to a single pipeline endpoint and specify which pipeline version to run.

Un pipeline publié s’exécute sur les ressources de calcul que vous définissez dans le brouillon de pipeline pour chaque module.A published pipeline runs on the compute resources you define in the pipeline draft for each module.

Le concepteur crée le même objet PublishedPipeline que le Kit de développement logiciel (SDK).The designer creates the same PublishedPipeline object as the SDK.

Passer de l’interface visuelle au concepteurMoving from the visual interface to the designer

L’interface visuelle (préversion) a été mise à jour et est désormais Concepteur Azure Machine Learning (préversion).The visual interface (preview) has been updated and is now Azure Machine Learning designer (preview). Le concepteur a été remanié pour utiliser un back-end basé sur un pipeline qui s’intègre entièrement aux autres fonctionnalités d’Azure Machine Learning.The designer has been rearchitected to use a pipeline-based backend that fully integrates with the other features of Azure Machine Learning.

Suite à ces mises à jour, certains concepts et termes de l’interface visuelle ont été modifiés ou renommés.As a result of these updates, some concepts and terms for the visual interface have been changed or renamed. Consultez le tableau ci-dessous pour connaître les modifications conceptuelles les plus importantes.See the table below for the most important conceptual changes.

Concept dans le concepteurConcept in the designer Précédemment dans l’interface visuellePreviously in the visual interface
Brouillon de pipelinePipeline draft ExpérienceExperiment
Points de terminaison en temps réelReal-time endpoint Service WebWeb service

Migration vers le concepteurMigrating to the designer

Vous pouvez convertir des expériences d’interface visuelle et des services Web existants en pipelines et points de terminaison en temps réel dans le concepteur.You can convert existing visual interface experiments and web services to pipelines and real-time endpoints in the designer. Procédez comme suit pour migrer vos ressources d’interface visuelle :Use the following steps to migrate your visual interface assets:

  1. Connectez-vous à Azure Machine Learning Studio.Sign in to Azure Machine Learning studio.

  2. Mettez à niveau votre espace de travail vers l’édition Enterprise.Upgrade your workspace to Enterprise edition.

    Après la mise à niveau, toutes vos expériences d’interface visuelle seront converties en brouillons de pipeline dans le concepteur.After upgrading, all of your visual interface experiments will convert to pipeline drafts in the designer.

    Notes

    Vous n’avez pas besoin de mettre à niveau vers l’édition Enterprise pour convertir les services web de l’interface visuelle en points de terminaison en temps réel.You don't need to upgrade to the Enterprise edition to convert visual interface web services to real-time endpoints.

  3. Accédez à la section Concepteur de l’espace de travail pour afficher votre liste de brouillons de pipeline.Go to the designer section of the workspace to view your list of pipeline drafts.

    Les services web convertis sont accessibles en accédant à Points de terminaison > Points de terminaison en temps réel.Converted web services can be found by navigating to Endpoints > Real-time endpoints.

  4. Sélectionnez un brouillon de pipeline pour l’ouvrir.Select a pipeline draft to open it.

    Si une erreur s’est produite pendant le processus de conversion, un message d’erreur s’affiche avec des instructions pour résoudre le problème.If there was an error during the conversion process, an error message will appear with instructions to resolve the issue.

Problèmes connusKnown issues

Vous trouverez ci-dessous des problèmes de migration connus qui doivent être résolus manuellement :Below are known migration issues that need to be addressed manually:

  • Modules Importer des données ou Exporter des donnéesImport Data or Export Data modules

    Si vous disposez d’un module Importer des données ou Exporter des données dans l’expérience, vous devez mettre à jour la source de données pour utiliser des magasins de données.If you have an Import Data or Export Data module in the experiment, you need to update the data source to use a datastores. Pour savoir comment créer un magasin de données, consultez Comment accéder aux données dans les services de stockage Azure.To learn how to create a datastore, see How to Access Data in Azure storage services. Les informations de votre compte de stockage cloud ont été ajoutées aux commentaires du module Importer des données ou Exporter des données pour plus de commodité.Your cloud storage account information have been added in the comments of the Import Data or Export Data module for your convenience.

Étapes suivantesNext steps