Qu'est-ce que Azure Machine Learning ?What is Azure Machine Learning?

Dans cet article, vous allez découvrir Azure Machine Learning, un environnement basé sur le cloud que vous pouvez utiliser pour entraîner, déployer, automatiser, gérer et suivre des modèles ML.In this article, you learn about Azure Machine Learning, a cloud-based environment you can use to train, deploy, automate, manage, and track ML models.

Azure Machine Learning peut être utilisé pour tout type de machine learning, du machine learning classique à l’apprentissage profond, supervisé et non supervisé.Azure Machine Learning can be used for any kind of machine learning, from classical ml to deep learning, supervised, and unsupervised learning. Que vous préfériez écrire du code Python ou R avec le SDK ou utiliser des options sans code/peu de code dans le studio, vous pouvez créer, entraîner et gérer des modèles Machine Learning et Deep Learning dans un espace de travail Azure Machine Learning.Whether you prefer to write Python or R code with the SDK or work with no-code/low-code options in the studio, you can build, train, and track machine learning and deep-learning models in an Azure Machine Learning Workspace.

Commencez à vous entraîner sur votre ordinateur local, puis effectuez un scale-out sur le cloud.Start training on your local machine and then scale out to the cloud.

Le service interagit également avec les outils open source populaires d’apprentissage profond et d’apprentissage par renforcement tels que PyTorch, TensorFlow, scikit-Learn et Ray RLlib.The service also interoperates with popular deep learning and reinforcement open-source tools such as PyTorch, TensorFlow, scikit-learn, and Ray RLlib.

Conseil

Version d’évaluation gratuite !Free trial! Si vous n’avez pas d’abonnement Azure, créez un compte gratuit avant de commencer.If you don’t have an Azure subscription, create a free account before you begin. Essayez la version gratuite ou payante d’Azure Machine Learning dès aujourd’hui.Try the free or paid version of Azure Machine Learning today. Vous obtenez des crédits à dépenser en services Azure.You get credits to spend on Azure services. Une fois ceux-ci épuisés, vous pouvez conserver le compte et utiliser les services Azure gratuits.After they're used up, you can keep the account and use free Azure services. Votre carte de crédit n’est pas débitée tant que vous n’avez pas explicitement modifié vos paramètres pour demander à l’être.Your credit card is never charged unless you explicitly change your settings and ask to be charged.

L’apprentissage automatique - De quoi s’agit-il ?What is machine learning?

Machine Learning est une technique de science des données qui permet aux ordinateurs d’utiliser des données existantes afin de prévoir les tendances, les résultats et les comportements futurs.Machine learning is a data science technique that allows computers to use existing data to forecast future behaviors, outcomes, and trends. Grâce au machine learning, les ordinateurs apprennent sans programmation explicite.By using machine learning, computers learn without being explicitly programmed.

Les prévisions ou prédictions générées à partir de Machine Learning peuvent rendre les applications et les appareils plus intelligents.Forecasts or predictions from machine learning can make apps and devices smarter. Par exemple, quand vous faites vos achats en ligne, le machine learning permet de recommander d’autres produits que vous êtes susceptible de vouloir, en fonction de ce que vous avez acheté.For example, when you shop online, machine learning helps recommend other products you might want based on what you've bought. Ou, lorsque vous utilisez votre carte de crédit, le machine learning compare la transaction à une base de données de transactions et aide la banque à détecter des fraudes.Or when your credit card is swiped, machine learning compares the transaction to a database of transactions and helps detect fraud. Et lorsque votre robot aspirateur nettoie une pièce, le machine learning l’aide à déterminer si le travail est terminé.And when your robot vacuum cleaner vacuums a room, machine learning helps it decide whether the job is done.

Outils de Machine Learning adaptés à chaque tâcheMachine learning tools to fit each task

Azure Machine Learning fournit tous les outils dont les développeurs et les scientifiques de données ont besoin pour leurs flux de travaux Machine Learning, notamment :Azure Machine Learning provides all the tools developers and data scientists need for their machine learning workflows, including:

Vous pouvez même utiliser MLflow pour suivre des métriques et déployer des modèles ou Kubeflow pour générer des pipelines de flux de travail de bout en bout.You can even use MLflow to track metrics and deploy models or Kubeflow to build end-to-end workflow pipelines.

Générer des modèles ML en Python ou RBuild ML models in Python or R

Commencez l’entraînement sur votre ordinateur local en utilisant le Kit de développement logiciel (SDK) Python ou le Kit de développement logiciel (SDK) R Azure Machine Learning.Start training on your local machine using the Azure Machine Learning Python SDK or R SDK. Vous pouvez ensuite effectuer un scale-out sur le cloud.Then, you can scale out to the cloud.

Les nombreuses cibles de calcul disponibles, comme la Capacité de calcul Azure Machine Learning et Azure Databricks, ainsi que les services de réglage d’hyperparamètres avancés, vous permettent de générer de meilleurs modèles plus rapidement en tirant parti de la puissance du cloud.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.

Vous pouvez aussi automatiser l’entraînement et l’optimisation de modèle à l’aide du SDK.You can also automate model training and tuning using the SDK.

Créer des modèles ML dans le studioBuild ML models in the studio

Le studio Azure Machine Learning est un portail web dans Azure Machine Learning qui propose des options sans code ou avec peu de code pour entraîner et déployer des modèles ainsi que pour gérer les ressources.Azure Machine Learning studio is a web portal in Azure Machine Learning for low-code and no-code options for model training, deployment, and asset management. Le studio est intégré au SDK Azure Machine Learning pour une expérience simplifiée.The studio integrates with the Azure Machine Learning SDK for a seamless experience. Pour plus d’informations, consultez Qu’est-ce que le studio Azure Machine Learning ?For more information, see What is Azure Machine Learning studio.

MLOps : Déployer et gestion du cycle de vieMLOps: Deploy & lifecycle management

Quand vous disposez du modèle adéquat, vous pouvez facilement l’utiliser dans un service web, sur un appareil IoT ou à partir de 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. Pour plus d’informations, consultez l’article qui explique comment et où effectuer le déploiement.For more information, see the article on how to deploy and where.

Vous pouvez ensuite gérer vos modèles déployés à l’aide du Kit de développement logiciel (SDK) Azure Machine Learning pour Python, d’Azure Machine Learning Studio ou de l’interface CLI 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.

Une fois déployé, votre modèle peut retourner des prédictions en temps réel ou de manière asynchrone sur de grandes quantités de données.These models can be consumed and return predictions in real time or asynchronously on large quantities of data.

Et avec les pipelines de machine learning avancés, vous pouvez collaborer à chaque étape, de la préparation des données jusqu’à l’entraînement et à l’évaluation des modèles, en passant par le déploiement.And with advanced machine learning pipelines, you can collaborate on each step from data preparation, model training and evaluation, through deployment. Les pipelines vous permettent d’effectuer les opérations suivantes :Pipelines allow you to:

  • Automatiser le processus de Machine Learning de bout en bout dans le cloudAutomate the end-to-end machine learning process in the cloud
  • Réutiliser des composants et réexécuter les étapes seulement quand c’est nécessaireReuse components and only rerun steps when needed
  • Utiliser des ressources de calcul différentes à chaque étapeUse different compute resources in each step
  • Exécuter des tâches de scoring par lotsRun batch scoring tasks

Si vous souhaitez utiliser des scripts pour automatiser votre flux de travail de Machine Learning, l’interface CLI Machine Learning fournit des outils de ligne de commande qui effectuent des tâches courantes telles que l’envoi d’une séquence d’entraînement ou le déploiement d’un modèle.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.

Pour commencer à utiliser Azure Machine Learning, consultez Étapes suivantes.To get started using Azure Machine Learning, see Next steps.

Intégration à d’autres servicesIntegration with other services

Azure Machine Learning fonctionne avec d’autres services sur la plateforme Azure et s’intègre également à des outils open source, comme Git et MLFlow.Azure Machine Learning works with other services on the Azure platform, and also integrates with open source tools such as Git and MLFlow.

Communications sécuriséesSecure communications

Votre compte de stockage Azure, vos cibles de calcul et d’autres ressources peuvent être utilisées de façon sécurisée au sein d’un réseau virtuel pour entraîner des modèles et effectuer l’inférence.Your Azure Storage account, compute targets, and other resources can be used securely inside a virtual network to train models and perform inference. Pour plus d’informations, voir Vue d’ensemble de l’isolement et de la confidentialité des réseaux virtuels.For more information, see Virtual network isolation and privacy overview.

Étapes suivantesNext steps