Eseguire la migrazione ad Azure Machine Learning da ML Studio (versione classica)

Importante

Il supporto dello studio di Azure Machine Learning (versione classica) terminerà il 31 agosto 2024. È consigliabile passare ad Azure Machine Learning entro tale data.

Dopo dicembre 2021 non è più possibile creare nuove risorse di Machine Learning Studio (versione classica). Fino al 31 agosto 2024, è possibile continuare a usare le risorse esistenti di Machine Learning Studio (versione classica).

La documentazione di ML Studio (versione classica) viene ritirata e potrebbe non essere aggiornata in futuro.

Informazioni su come eseguire la migrazione da Machine Learning Studio (versione classica) ad Azure Machine Learning. Azure Machine Learning offre una piattaforma di data science modernizzata che combina approcci senza codice e code-first.

Questa guida illustra una migrazione lift-and-shift di base. Per ottimizzare un flusso di lavoro di Machine Learning esistente o modernizzare una piattaforma di Machine Learning, vedere il framework di adozione di Azure Machine Learning per altre risorse, tra cui strumenti di sondaggio digitali, fogli di lavoro e modelli di pianificazione.

Collaborare con l'architetto di soluzioni cloud per la migrazione.

Diagram of the Azure Machine Learning adoption framework.

Per eseguire la migrazione ad Azure Machine Learning, è consigliabile usare l'approccio seguente:

  • Passaggio 1: Valutare Azure Machine Learning
  • Passaggio 2: Definire una strategia e un piano
  • Passaggio 3: Ricompilare esperimenti e servizi Web
  • Passaggio 4: Integrare le app client
  • Passaggio 5: Pulire gli asset di Studio (versione classica)
  • Passaggio 6: Esaminare ed espandere gli scenari

Passaggio 1: Valutare Azure Machine Learning

  1. Informazioni su Azure Machine Learning e sui relativi vantaggi, costi e architettura.

  2. Confrontare le funzionalità di Azure Machine Learning e ML Studio (versione classica).

    Nota

    La funzionalità di progettazione in Azure Machine Learning offre un'esperienza di trascinamento della selezione simile a ML Studio (versione classica). Tuttavia, Azure Machine Learning offre anche flussi di lavoro code-first affidabili come alternativa. Questa serie di migrazione è incentrata sulla finestra di progettazione, perché è più simile all'esperienza studio (classica).

    Nella tabella seguente sono riepilogate alcune delle differenze principali tra ML Studio (versione classica) e Azure Machine Learning.

    Funzionalità ML Studio (versione classica) Azure Machine Learning
    Interfaccia con trascinamento della selezione Esperienza classica Esperienza aggiornata: Finestra di progettazione di Azure Machine Learning
    SDK di codice Non supportato Completamente integrato con gli SDK di Azure Machine Learning per Python e R
    Esperimento Scalabile (limite dei dati di training di 10 GB) Ridimensionamento con destinazione di calcolo
    Destinazioni di calcolo del training Destinazione di calcolo proprietaria, solo supporto di CPU Ampia gamma di destinazioni di calcolo per il training personalizzabili. Include il supporto di GPU e CPU
    Destinazioni di calcolo della distribuzione Formato di servizio Web proprietario, non personalizzabile Ampia gamma di destinazioni di calcolo per la distribuzione personalizzabili. Include il supporto di GPU e CPU
    Pipeline di Machine Learning Non supportato Creazione di pipeline flessibili e modulari per automatizzare i flussi di lavoro
    MLOps Gestione e distribuzione dei modelli di base; Distribuzioni solo CPU Controllo delle versioni delle entità (modello, dati, flussi di lavoro), automazione del flusso di lavoro, integrazione con strumenti CICD, distribuzioni di CPU e GPU e altro ancora
    Formato dei modelli Formato proprietario, solo Studio (versione classica) Più formati supportati a seconda del tipo di processo di training
    Training automatizzato dei modelli e ottimizzazione degli iperparametri Non supportato Supportata. Opzioni code-first e senza codice.
    Rilevamento della deriva dei dati Non supportato Supportata
    Progetti di etichettatura dei dati Non supportato Supportata
    Controllo degli accessi in base al ruolo Solo ruolo collaboratore e proprietario Definizione del ruolo flessibile e controllo controllo degli accessi in base al ruolo
    Raccolta di intelligenza artificiale Supportata Supportato

    Informazioni con i notebook python SDK di esempio
  3. Verificare che i moduli critici di Studio (versione classica) siano supportati nella finestra di progettazione di Azure Machine Learning. Per altre informazioni, vedere la tabella seguente studio (versione classica) e mapping dei componenti della finestra di progettazione.

  4. Creare un'area di lavoro di Azure Machine Learning.

Passaggio 2: Definire una strategia e un piano

  1. Definire le motivazioni aziendali e i risultati previsti.

  2. Allineare un piano di adozione di Azure Machine Learning interattivo ai risultati aziendali.

  3. Preparare persone, processi e ambienti per il cambiamento.

Collaborare con l'architetto di soluzioni cloud per definire la strategia.

Per la pianificazione delle risorse, incluso un modello di documentazione sulla pianificazione, vedere Azure Machine Learning Adoption Framework.

Passaggio 3: Ricompilare il primo modello

Dopo aver definito una strategia, eseguire la migrazione del primo modello.

  1. Eseguire la migrazione dei set di dati ad Azure Machine Learning.

  2. Usare la finestra di progettazione di Azure Machine Learning per ricompilare gli esperimenti.

  3. Usare la finestra di progettazione di Azure Machine Learning per ridistribuire i servizi Web.

    Nota

    Queste indicazioni sono basate su concetti e funzionalità di Azure Machine Learning v1. Azure Machine Learning include l'interfaccia della riga di comando v2 e Python SDK v2. È consigliabile ricompilare i modelli di ML Studio (versione classica) usando v2 anziché v1. Iniziare con Azure Machine Learning v2.

Passaggio 4: Integrare le app client

Modificare le applicazioni client che richiamano i servizi Web di ML Studio (versione classica) per usare i nuovi endpoint di Azure Machine Learning.

Passaggio 5: Pulire gli asset di Studio (versione classica)

Per evitare addebiti aggiuntivi, pulire gli asset di Studio (versione classica). È possibile conservare gli asset per il fallback fino a quando non sono stati convalidati i carichi di lavoro di Azure Machine Learning.

Passaggio 6: Esaminare ed espandere gli scenari

  1. Esaminare la migrazione del modello per le procedure consigliate e convalidare i carichi di lavoro.

  2. Espandere gli scenari ed eseguire la migrazione di carichi di lavoro aggiuntivi ad Azure Machine Learning.

Mapping dei componenti di Studio (versione classica) e progettazione

Consultare la tabella seguente per vedere quali moduli usare durante la ricompilazione degli esperimenti di ML Studio (versione classica) nella finestra di progettazione di Azure Machine Learning.

Importante

La finestra di progettazione implementa i moduli tramite pacchetti Python open source anziché pacchetti C# come Studio (versione classica). A causa di questa differenza, l'output dei componenti della finestra di progettazione può variare leggermente rispetto alle controparti di Studio (versione classica).

Categoria Modulo Studio (versione classica) Componente della finestra di progettazione sostitutiva
Input e output dei dati - Immettere i dati manualmente
- Esportare i dati
- Importare dati
- Caricare il modello sottoposto a training
- Decomprimere set di dati compressi
- Immettere i dati manualmente
- Esportare i dati
- Importare dati
Conversioni dei formati di dati - Converti in CSV
- Convertire in set di dati
- Convertire in ARFF
- Convertire in SVMLight
- Convertire in TSV
- Converti in CSV
- Convertire in set di dati
Trasformazione dei dati - Manipolazione - Aggiungere colonne
- Aggiungere righe
- Applicare la trasformazione SQL
- Pulire i dati mancanti
- Convertire in valori di indicatore
- Modificare i metadati
- Unire dati
- Rimuovere righe duplicate
- Selezionare le colonne nel set di dati
- Selezionare la trasformazione delle colonne
-COLPÌ
- Raggruppare i valori categorici
- Aggiungere colonne
- Aggiungere righe
- Applicare la trasformazione SQL
- Pulire i dati mancanti
- Convertire in valori di indicatore
- Modificare i metadati
- Unire dati
- Rimuovere righe duplicate
- Selezionare le colonne nel set di dati
- Selezionare la trasformazione delle colonne
-COLPÌ
Trasformazione dei dati: ridimensionare e ridurre - Ritaglia valori
- Raggruppare i dati in contenitori
- Normalizzare i dati
- Analisi dei componenti principale
- Ritaglia valori
- Raggruppare i dati in contenitori
- Normalizzare i dati
Trasformazione dei dati: esempio e suddivisione - Partizione ed esempio
- Dividere i dati
- Partizione ed esempio
- Dividere i dati
Trasformazione dei dati - Filtro - Applica filtro
- Filtro FIR
- Filtro IIR
- Filtro mediano
- Filtro medio mobile
- Filtro soglia
- Filtro definito dall'utente
Trasformazione dei dati- Apprendimento con conteggi - Trasformazione di conteggio compilazione
- Esportare la tabella dei conteggi
- Importa tabella conteggio
- Unire la trasformazione conteggio
- Modificare i parametri della tabella dei conteggi
Selezione di funzionalità - Selezione delle funzionalità basata su filtro
- Analisi discriminante lineare di Fisher
- Importanza della funzionalità di permutazione
- Selezione delle funzionalità basata su filtro
- Importanza della funzionalità di permutazione
Modello - Classificazione - Foresta delle decisioni multiclasse
- Giungla delle decisioni multiclasse
- Regressione logistica multiclasse
- Rete neurale multiclasse
- Multiclasse one-vs-all
- Perceptron con media a due classi
- Macchina a punti Bayes a due classi
- Albero delle decisioni con boosting a due classi
- Foresta delle decisioni a due classi
- Giungla delle decisioni a due classi
- SVM a due classi con profondità locale
- Regressione logistica a due classi
- Rete neurale a due classi
- Macchina a vettori di supporto a due classi
- Foresta delle decisioni multiclasse
- Albero delle decisioni con boost multiclasse
- Regressione logistica multiclasse
- Rete neurale multiclasse
- Multiclasse one-vs-all
- Perceptron con media a due classi
- Albero delle decisioni con boosting a due classi
- Foresta delle decisioni a due classi
- Regressione logistica a due classi
- Rete neurale a due classi
- Macchina a vettori di supporto a due classi
Modello - Clustering - Clustering K-means - Clustering K-means
Modello - Regressione - Regressione lineare bayesiana
- Regressione dell'albero delle decisioni con boosting
- Regressione della foresta decisionale
- Regressione quantile della foresta veloce
- Regressione lineare
- Regressione della rete neurale
- Regressione ordinale
- Regressione poisson
- Regressione dell'albero delle decisioni con boosting
- Regressione della foresta decisionale
- Regressione quantile della foresta veloce
- Regressione lineare
- Regressione della rete neurale
- Regressione poisson
Modello - Rilevamento anomalie - SVM a una classe
- Rilevamento anomalie basato su PCA
- Rilevamento anomalie basato su PCA
Machine Learning - Valutare - Modello di convalida incrociata
- Valutare il modello
- Valutare il consiglio di raccomandazione
- Modello di convalida incrociata
- Valutare il modello
- Valutare il consiglio di raccomandazione
Machine Learning - Eseguire il training - Clustering sweep
- Eseguire il training del modello di rilevamento anomalie
- Eseguire il training del modello di clustering
- Train matchbox recommender -
Eseguire il training del modello
- Ottimizzare gli iperparametri del modello
- Eseguire il training del modello di rilevamento anomalie
- Eseguire il training del modello di clustering
- Eseguire il training del modello
- Eseguire il training del modello PyTorch
- Eseguire il training del consigliatore SVD
- Eseguire il training di un sistema di raccomandazione ampio e profondo
- Ottimizzare gli iperparametri del modello
Machine Learning - Punteggio - Applicare la trasformazione
- Assegnare dati ai cluster
- Score matchbox recommender
- Assegnare un punteggio al modello
- Applicare la trasformazione
- Assegnare dati ai cluster
- Assegnare un punteggio al modello di immagine
- Assegnare un punteggio al modello
- Punteggio di raccomandazione SVD
- Assegnare punteggi a un sistema di raccomandazione ampio e profondo
Moduli della libreria OpenCV - Importare immagini
- Classificazione delle immagini a catena con training preliminare
Moduli del linguaggio Python - Eseguire script Python - Eseguire script Python
- Creare un modello Python
Moduli del linguaggio R - Eseguire script R
- Creare un modello R
- Eseguire script R
Funzioni statistiche - Applicare l'operazione matematica
- Calcolare le statistiche elementari
- Correlazione lineare di calcolo
- Valutare la funzione di probabilità
- Sostituire valori discreti
- Riepilogare i dati
- Testare l'ipotesi usando t-Test
- Applicare l'operazione matematica
- Riepilogare i dati
Analisi del testo - Rilevare le lingue
- Estrarre frasi chiave dal testo
- Estrarre le caratteristiche N-gram dal testo
- Hash delle funzionalità
- Allocazione dirichlet latente
- Riconoscimento di entità denominate
- Pre-elaborare il testo
- Assegnare un punteggio al modello vVowpal Wabbit versione 7-10
- Assegnare un punteggio al modello Vowpal Wabbit versione 8
- Eseguire il training del modello Vowpal Wabbit versione 7-10
- Eseguire il training del modello Vowpal Wabbit versione 8
- Convertire Word in vettore
- Estrarre le caratteristiche N-gram dal testo
- Hash delle funzionalità
- Allocazione dirichlet latente
- Pre-elaborare il testo
- Assegnare punteggi al modello Vowpal Wabbit
- Eseguire il training del modello Vowpal Wabbit
Serie temporale - Rilevamento anomalie delle serie temporali
Servizio Web -Input
- Output
-Input
- Output
Visione artificiale - Applicare la trasformazione immagine
- Convertire nella directory dell'immagine
- Trasformazione dell'immagine Init
- Divisione della directory delle immagini
- Classificazione delle immagini DenseNet
- Classificazione delle immagini ResNet

Per altre informazioni su come usare singoli componenti della finestra di progettazione, vedere le informazioni di riferimento sui componenti della finestra di progettazione.

Cosa accade se manca un componente della finestra di progettazione?

La finestra di progettazione di Azure Machine Learning contiene i moduli più diffusi di Studio (versione classica). Include anche nuovi moduli che sfruttano le tecniche di Machine Learning più recenti.

Se la migrazione è bloccata a causa di moduli mancanti nella finestra di progettazione, contattare Microsoft creando un ticket di supporto.

Migrazione di esempio

La migrazione dell'esperimento seguente evidenzia alcune delle differenze tra ML Studio (versione classica) e Azure Machine Learning.

Set di dati

In ML Studio (versione classica) i set di dati sono stati salvati nell'area di lavoro e possono essere usati solo da Studio (versione classica).

Screenshot of automobile price datasets in Studio classic.

In Azure Machine Learning i set di dati vengono registrati nell'area di lavoro e possono essere usati in tutto Azure Machine Learning. Per altre informazioni sui vantaggi dei set di dati di Azure Machine Learning, vedere Proteggere l'accesso ai dati.

Pipeline

In ML Studio (versione classica) gli esperimenti contengono la logica di elaborazione per il lavoro. Sono stati creati esperimenti con i moduli di trascinamento della selezione.

Screenshot of automobile price experiments in Studio classic.

In Azure Machine Learning le pipeline contengono la logica di elaborazione per il lavoro. È possibile creare pipeline con moduli di trascinamento della selezione o scrivendo codice.

Screenshot of automobile price drag-and-drop pipelines in classic.

Endpoint servizio Web

Studio (versione classica) usa l'API REQUEST/RESPOND per la stima in tempo reale e l'API BATCH EXECUTION per la stima batch o la ripetizione del training.

Screenshot of endpoint API in classic.

Azure Machine Learning usa endpoint in tempo reale (endpoint gestiti) per la stima in tempo reale e gli endpoint della pipeline per la stima batch o la ripetizione del training.

Screenshot of real-time endpoints and pipeline endpoints.

In questo articolo sono stati appresi i requisiti generali per la migrazione ad Azure Machine Learning. Per i passaggi dettagliati, vedere gli altri articoli della serie di migrazione di ML Studio (versione classica):

Per altre risorse di migrazione, vedere Azure Machine Learning Adoption Framework.