Migrer vers Azure Machine Learning depuis Studio (classique)

Article
04/02/2024

Important

Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.

Depuis décembre 2021, vous ne pouvez plus créer de nouvelles ressources Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Studio (classique) existantes.

La documentation Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.

Découvrez comment migrer de Machine Learning Studio (classique) vers Azure Machine Learning. Azure Machine Learning fournit une plateforme moderne de science des données qui combine les approches sans code et Code First.

Ce guide décrit pas à pas comment opérer une migration lift-and-shift. Si vous souhaitez optimiser un workflow Machine Learning existant ou moderniser une plateforme de Machine Learning, veuillez consulter la rubrique Infrastructure d’adoption d’Azure Machine Learning pour obtenir davantage de ressources, notamment des outils d’enquête numérique, des feuilles de calcul et des modèles de planification.

Collaborez avec votre architecte de solution cloud sur la migration.

Approche recommandée

Pour effectuer la migration vers Azure Machine Learning, nous vous recommandons l’approche suivante :

Étape 1 : Évaluer Azure Machine Learning
Étape 2 : Définir une stratégie et planifier
Étape 3 : Régénérer des expériences et des services web
Étape 4 : Intégrer des applications clientes
Étape 5 : Nettoyer les ressources Studio (classique)
Étape 6 : Examiner et développer des scénarios

Étape 1 : Évaluer Azure Machine Learning

Découvrez Azure Machine Learning, ses avantages, ses coûts et son architecture.

Comparez les capacités d’Azure Machine Learning et de Studio (classique).

Le tableau suivant récapitule les différences clés.

Fonctionnalité	Studio (classique)	Azure Machine Learning
Interface de glisser-déposer	Expérience classique	Expérience mise à jour : concepteur Azure Machine Learning
SDK de code	Non prise en charge	Intégration totale aux SDK R et Python pour Azure Machine Learning
Expérience	Évolutive (limite de 10 Go de données de formation)	Mise à l’échelle avec cible de calcul
Cibles de calcul d’entraînement	Cible de calcul propriétaire, prise en charge CPU uniquement	Vaste gamme de cibles de calcul de formation personnalisables ; inclut la prise en charge du processeur GPU et de l’UC
Cibles de calcul de déploiement	Format de service web propriétaire, non personnalisable	Vaste gamme de cibles de calcul de déploiement personnalisables ; inclut la prise en charge du processeur GPU et de l’UC
Pipeline de machine learning	Non pris en charge	Création de pipelines modulaires et flexibles pour automatiser les workflows
MLOps	Gestion et déploiement des modèles de base ; déploiements des processeurs uniquement	Gestion de versions des entités (modèle, données, workflows), automatisation des workflows, intégration aux outils CI/CD, déploiements de processeurs et de GPU, etc.
Format de modèle	Format propriétaire, Studio (classique) uniquement	Plusieurs formats pris en charge selon le type de tâche d’entraînement
Entraînement de modèle automatisé et optimisation des hyperparamètres	Non pris en charge	Pris en charge Options Code First et sans code
Détection de la dérive de données	Non pris en charge	Pris en charge
Projets d'étiquetage de données	Non pris en charge	Pris en charge
Contrôle d’accès en fonction du rôle (RBAC)	Rôle de contributeur et de propriétaire uniquement	Définition de rôle flexible et contrôle RBAC
Galerie IA	Pris en charge	Non pris en charge Apprendre avec les exemples de notebooks du kit SDK Python

Remarque

La fonctionnalité du concepteur dans Azure Machine Learning offre une expérience de glisser-déplacer similaire à celle de Studio (classique). Toutefois, Azure Machine Learning propose également des workflows de Code First robustes comme alternative. Cette série sur la migration est axée sur le concepteur, car c’est ce qui ressemble le plus à l’expérience de Studio (classique).

Vérifiez que vos modules Studio (classique) essentiels sont pris en charge dans le concepteur d’Azure Machine Learning. Si vous souhaitez en savoir plus, veuillez consulter le tableau Mappage des composants de Studio (classique) et du concepteur.
Créez un espace de travail Azure Machine Learning.

Étape 2 : Définir une stratégie et planifier

Définissez les justifications métier et les résultats attendus.
Aligner un plan d’adoption d’Azure Machine Learning actionnable sur les résultats métier.
Préparez les personnes, les processus et les environnements au changement.

Collaborez avec votre architecte de solution cloud pour définir votre stratégie.

Pour planifier des ressources, notamment un modèle de document, consultez Azure Machine Learning Adoption Framework.

Étape 3 : Régénérer votre premier modèle

Après avoir défini une stratégie, migrez votre premier modèle.

Migrez un jeu de données vers Azure Machine Learning.
Utilisez le concepteur Azure Machine Learning pour regénérer une expérience.
Utilisez le concepteur Azure Machine Learning pour redéployer un service web.

Remarque

Ces conseils reposent sur les concepts et fonctionnalités d’Azure Machine Learning v1. L’interface CLI dispose d’Azure Machine Learning v2 et de SDK Python v2. Nous vous suggérons de regénérer vos modèles Studio (classique) en utilisant la version 2 au lieu de la version 1. Commencez avec Azure Machine Learning v2.

Étape 4 : Intégrer des applications clientes

Modifiez les applications clientes qui appellent des services web Studio (classique) pour qu’elles appellent vos nouveaux points de terminaison Azure Machine Learning.

Étape 5 : Nettoyer les ressources Studio (classique)

Pour éviter des frais superflus, nettoyez les ressources Studio (classique). Vous souhaiterez sans doute conserver les ressources en secours tant que vous n’aurez pas validé les charges de travail Azure Machine Learning.

Étape 6 : Examiner et développer des scénarios

Examinez la migration du modèle pour découvrir les meilleures pratiques et valider les charges de travail.
Développez des scénarios, puis migrez d’autres charges de travail vers Azure Machine Learning.

Correspondance des composants de Studio (classique) et du concepteur

Veuillez consultez le tableau suivant pour voir les modules à utiliser lors de la régénération d’expériences Studio (classique) dans le concepteur Azure Machine Learning.

Important

Le concepteur implémente des modules par le biais de packages Python open source plutôt que de packages C# tels que Studio (classique). En raison de cette différence, la sortie des composants du concepteur risque de varier légèrement de leurs équivalents dans Studio (classique).

Catégorie	Module Studio (classique)	Composant du concepteur de remplacement
Entrée et sortie de données	- Entrer des données manuellement - Exporter des données - Importer des données - Charger un modèle entraîné - Décompresser des jeux de données compressés	- Entrer des données manuellement - Exporter des données - Importer des données
Conversion des formats de données	- Convertir au format CSV - Convertir en jeu de données - Convertir au format ARFF - Convertir au format SVMLight - Convertir au format TSV	- Convertir au format CSV - Convertir en jeu de données
Transformation de données – Manipulation	- Ajouter des colonnes - Ajouter des lignes - Appliquer une transformation SQL - Nettoyer les données manquantes - Convertir en valeurs d’indicateur - Modifier des métadonnées - Joindre des données - Supprimer les lignes en double - Sélectionner des colonnes dans le jeu de données - Sélectionner une transformation de colonnes - SMOTE - Grouper les valeurs catégorielles	- Ajouter des colonnes - Ajouter des lignes - Appliquer une transformation SQL - Nettoyer les données manquantes - Convertir en valeurs d’indicateur - Modifier des métadonnées - Joindre des données - Supprimer les lignes en double - Sélectionner des colonnes dans le jeu de données - Sélectionner une transformation de colonnes - SMOTE
Transformation des données – Mise à l’échelle et réduction	- Détourer les valeurs - Grouper des données dans des compartiments - Normaliser des données - Analyse des composants principaux	- Détourer les valeurs - Grouper des données dans des compartiments - Normaliser des données
Transformation des données – Échantillonnage et répartition	- Partition et échantillonnage - Répartir les données	- Partition et échantillonnage - Répartir les données
Transformation des données – Filtre	- Appliquer un filtre - Filtre FIR - Filtre IIR - Filtre médian - Filtre de moyenne mobile - Filtre de seuil - Filtre défini par l’utilisateur
Transformation des données – Apprentissage avec comptages	- Créer une transformation de comptage - Exporter une table de comptage - Importer une table de comptage - Fusionner une transformation de comptage - Modifier les paramètres de table de comptage
Sélection de caractéristiques	- Sélection de caractéristiques par filtrage - Analyse discriminante linéaire de Fisher - Importance d’une caractéristique de permutation	- Sélection de caractéristiques par filtrage - Importance d’une caractéristique de permutation
Modèle – Classification	- Forêt d’arbres décisionnels multiclasse - Jungle d’arbres décisionnels multiclasse - Régression logistique multiclasse - Réseau neuronal multiclasse - One-vs-All Multiclass - Perceptron moyenné à deux classes - Machine à points de Bayes à deux classes - Arbre de décision optimisé à deux classes - Forêt d’arbres décisionnels à deux classes - Jungle d’arbres décisionnels à deux classes - SVM localement profonde à deux classes - Régression logistique à deux classes - Réseau neuronal à deux classes - Machine à vecteurs de support à deux classes	- Forêt d’arbres décisionnels multiclasse - Arbre de décision optimisé multiclasse - Régression logistique multiclasse - Réseau neuronal multiclasse - One-vs-All Multiclass - Perceptron moyenné à deux classes - Arbre de décision optimisé à deux classes - Forêt d’arbres décisionnels à deux classes - Régression logistique à deux classes - Réseau neuronal à deux classes - Machine à vecteurs de support à deux classes
Modèle – Clustering	- Clustering k-moyennes	- Clustering k-moyennes
Modèle – Régression	- Régression linéaire bayésienne - Régression d’arbre de décision optimisé - Régression de forêt d’arbres décisionnels - Régression quantile de forêt rapide - Régression linéaire - Régression de réseau neuronal - Régression ordinale - Régression de Poisson	- Régression d’arbre de décision optimisé - Régression de forêt d’arbres décisionnels - Régression quantile de forêt rapide - Régression linéaire - Régression de réseau neuronal - Régression de Poisson
Modèle – Détection d’anomalie	- One-class SVM - Détection d’anomalie reposant sur l’ACP	- Détection d’anomalie reposant sur l’ACP
Apprentissage automatique – Évaluation	- Modèle de validation croisée - Évaluer le modèle - Évaluer le générateur de recommandations	- Modèle de validation croisée - Évaluer le modèle - Évaluer le générateur de recommandations
Apprentissage automatique – Formation	- Nettoyer le clustering - Entraîner le modèle de détection d’anomalie - Entraîner le modèle de clustering - Entraîner le générateur de recommandations Matchbox - Effectuer l'apprentissage du modèle - Régler les hyperparamètres du modèle	- Entraîner le modèle de détection d’anomalie - Entraîner le modèle de clustering - Entraîner le modèle - Entraîner le modèle PyTorch - Entraîner le générateur de recommandations SVD - Entraîner le générateur de recommandations Wide and Deep - Régler les hyperparamètres du modèle
Apprentissage automatique – Score	- Appliquer une transformation - Attribuer des données à des clusters - Calculer le score du générateur de recommandations Matchbox - Calculer le score du modèle	- Appliquer une transformation - Attribuer des données à des clusters - Calculer le score du modèle d’image - Calculer le score du modèle - Calculer le score du générateur de recommandations SVD - Calculer le score du générateur de recommandations Wide and Deep
Modules de la bibliothèque OpenCV	- Importer des images - Classification préentraînée d’images en cascade
Modules linguistiques Python	- Exécuter un script Python	- Exécuter un script Python - Créer un modèle Python
Modules linguistiques R	- Exécuter un script R - Créer un modèle R	- Exécuter un script R
Fonctions statistiques	- Appliquer une opération mathématique - Calculer des statistiques élémentaires - Calculer une corrélation linéaire - Évaluer une fonction de probabilité - Remplacer des valeurs discrètes - Résumer les données - Tester une hypothèse avec le test de Student	- Appliquer une opération mathématique - Résumer les données
\Analyse de texte	- Détecter des langues - Extraire les expressions clés d’un texte - Extraire les caractéristiques de n-grammes du texte - Hachage des caractéristiques - Allocation de Dirichlet latente - Reconnaissance d’entité nommée - Prétraiter le texte - Calculer le score d’un modèle Vowpal Wabbit version 7-10 - Calculer le score d’un modèle Vowpal Wabbit version 8 - Entraîner un modèle Vowpal Wabbit version 7-10 - Entraîner un modèle Vowpal Wabbit version 8	- Vectoriser des mots - Extraire les caractéristiques de n-grammes du texte - Hachage des caractéristiques - Allocation de Dirichlet latente - Prétraiter le texte - Calculer le score d’un modèle Vowpal Wabbit - Entraîner un modèle Vowpal Wabbit
Série chronologique	- Détection d’anomalie de série chronologique
Service Web	- Entrée Sortie	- Entrée Sortie
Vision par ordinateur		- Appliquer une transformation d’image - Convertir en répertoire d’images - Lancer une transformation d’image - Diviser un répertoire d’images - Classification d’images DenseNet - Classification d’images ResNet

Si vous souhaitez en savoir plus sur l’utilisation des différents composants du concepteur, veuillez consulter la rubrique Référence sur les algorithmes et les composants.

Que se passe-t-il si un composant de concepteur est manquant ?

Le concepteur d’Azure Machine Learning contient les modules les plus populaires de Studio (classique). Il comprend également de nouveaux modules qui tirent parti des dernières techniques de Machine Learning.

Si votre migration est bloquée en raison de modules manquants dans le concepteur, contactez-nous en créant un ticket de support.

Exemple de migration

L’exemple de migration suivant met en évidence certaines des différences entre Studio (classique) et Azure Machine Learning.

Groupes de données

Dans Studio (classique), les jeux de données ont été enregistrés dans votre espace de travail et peuvent uniquement être utilisés par Studio (classique).

Dans Azure Machine Learning, les jeux de données sont inscrits dans l’espace de travail et peuvent être utilisés sur l’ensemble d’Azure Machine Learning. Si vous souhaitez en savoir plus sur les avantages des jeux de données Azure Machine Learning, veuillez consulter la rubrique Données dans Azure Machine Learning.

Pipeline

Dans Studio (classique), les expériences contenaient la logique de traitement de votre travail. Vous avez créé des expériences avec des modules de glisser-déplacer.

Dans Azure Machine Learning, les pipelines contiennent la logique de traitement de votre travail. Vous pouvez créer des pipelines à l’aide de modules de glisser-déplacer ou en écrivant du code.

Points de terminaison de service web

Studio (classique) utilisait l’API REQUEST/RESPOND pour la prédiction en temps réel et l’API BATCH EXECUTION pour le réentraînement ou la prédiction par lot.

Azure Machine Learning utilise des points de terminaison en temps réel (points de terminaison gérés) pour la prédiction en temps réel et des points de terminaison de pipeline pour le réapprentissage ou la prédiction par lot.

Dans cet article, vous avez découvert les principales exigences requises pour effectuer une migration vers Azure Machine Learning. Si vous souhaitez en savoir plus, veuillez consulter les autres articles de la série sur la migration de Machine Learning Studio (classique) :

Pour obtenir d’autres ressources de migration, consultez Azure Machine Learning Adoption Framework.