Migrar do Estúdio para o Azure Machine Learning (clássico)

Artigo
04/08/2024

Importante

O suporte para o Estúdio do Machine Learning (clássico) termina em 31 de agosto de 2024. Recomendamos que você faça a transição para o Azure Machine Learning até essa data.

Após dezembro de 2021, você não poderá mais criar novos recursos do Estúdio (clássico). Até 31 de agosto de 2024, você pode continuar a usar recursos existentes do Estúdio (clássico).

A documentação do Estúdio (clássico) está sendo desativada e pode não ser atualizada no futuro.

Saiba como migrar do Estúdio do Azure Machine Learning (clássico) para o Azure Machine Learning. O Azure Machine Learning fornece uma plataforma de ciência de dados modernizada que combina abordagens sem código e code first.

Este guia mostra o passo a passo da migração básica de lift-and-shift. Se você quiser otimizar um fluxo de trabalho de machine learning existente ou modernizar uma plataforma de machine learning, confira a Estrutura de adoção do Azure Machine Learning para obter mais recursos, incluindo ferramentas de pesquisa digital, planilhas e modelos de planejamento.

Na migração, trabalhe com seu arquiteto de soluções na nuvem.

Abordagem recomendada

Para fazer a migração para o Azure Machine Learning, recomendamos usar a seguinte abordagem:

Etapa 1: Avaliar o Azure Machine Learning
Etapa 2: definir uma estratégia e um plano
Etapa 3: Recompilar experimentos e serviços Web
Etapa 4: Integrar aplicativos cliente
Etapa 5: Limpar ativos do Studio (clássico)
Etapa 6: examinar e expandir os cenários

Etapa 1: Avaliar o Azure Machine Learning

Saiba mais sobre o Azure Machine Learning e seus benefícios, custos e arquitetura.

Compare as funcionalidades do Azure Machine Learning e do Studio (clássico).

A tabela a seguir resume as principais diferenças.

Recurso	Studio (clássico)	Azure Machine Learning
Interface do tipo "arrastar e soltar"	Experiência clássica	Experiência atualizada: designer do Azure Machine Learning
SDKs de código	Sem suporte	Totalmente integrado com as SDKs para R e para Python do Azure Machine Learning
Experimento	Escalável (limite de 10 GB para dados de treinamento)	Escala com destino de computação
Destinos de computação de treinamento	Destino de computação proprietário, apenas suporte à CPU	Ampla gama de destinos de computação de treinamento personalizáveis; inclui suporte a GPU e CPU
Destinos de computação de implantação	Formato do serviço Web proprietário, não personalizável	Ampla gama de destinos de computação de implantação personalizáveis; inclui suporte a GPU e CPU
Pipeline de machine learning	Sem suporte	Crie pipelines flexíveis e modulares para automatizar fluxos de trabalho
MLOps	Gerenciamento e implantação de modelos básicos; implantações somente na CPU	Controle de versão de entidade (modelo, dados, fluxos de trabalho), automação de fluxo de trabalho, integração às ferramentas de CI/CD, implantações de CPU e GPU, entre outros
Formato do modelo	Formato proprietário, somente Studio (clássico)	Vários formatos compatíveis dependendo do tipo de trabalho de treinamento
Treinamento de modelo automatizado e ajuste de hiperparâmetro	Sem suporte	Com suporte Opções code-first e sem código
Detecção de descompasso de dados	Sem suporte	Com suporte
Projetos de rotulagem de dados	Sem suporte	Com suporte
RBAC (controle de acesso baseado em função)	Apenas função de proprietário e de colaborador	Definição de função flexível e controle RBAC
Galeria de IA	Com suporte	Sem suporte Saiba mais com os notebooks de exemplo de SDK do Python

Observação

O recurso de designer no Azure Machine Learning fornece uma experiência de arrastar e soltar semelhante à do Estúdio (clássico). No entanto, o Azure Machine Learning também fornece fluxos de trabalho code first robustos como uma alternativa. Esta série de migração se concentra no designer, pois ele é mais semelhante à experiência do Studio (clássico).

Verifique se há suporte para os módulos críticos do Studio (clássico) no designer do Azure Machine Learning. Para obter mais informações, confira a tabela de mapeamento de componentes do Estúdio (clássico) e do designer.
Criar um Workspace do Azure Machine Learning.

Etapa 2: definir uma estratégia e um plano

Defina as justificativas comerciais e os resultados esperados.
Alinhe um plano de adoção do Azure Machine Learning acionável aos resultados de negócios.
Prepare as pessoas, processos e ambientes para alteração.

Trabalhe com o arquiteto de soluções na nuvem para definir sua estratégia.

Para recursos de planejamento, incluindo um modelo de documento de planejamento, confira a Estrutura de Adoção do Azure Machine Learning.

Etapa 3: recriar seu primeiro modelo

Depois de definir uma estratégia, migre seu primeiro modelo.

Migrar um conjunto de dados para o Azure Machine Learning.
Use o designer do Azure Machine Learning para recompilar um experimento.
Use o designer do Azure Machine Learning para reimplantar um serviço Web.

Observação

Essas diretrizes são baseadas nos conceitos e nos recursos do Azure Machine Learning v1. O Azure Machine Learning tem a CLI v2 e o SDK v2 do Python. Sugerimos que você recompile seus modelos do Estúdio (clássico) usando v2 em vez de v1. Comece com o Azure Machine Learning v2.

Etapa 4: Integrar aplicativos cliente

Modifique os aplicativos cliente que invocam os serviços Web do Studio (clássico) para usar os novos pontos de extremidade do Azure Machine Learning.

Etapa 5: Limpar ativos do Studio (clássico)

Para evitar custos extras, limpe os ativos do Estúdio (clássico). Talvez você queira reter ativos para fallback até validar cargas de trabalho do Azure Machine Learning.

Etapa 6: examinar e expandir os cenários

Examine a migração de modelo para obter as melhores práticas e validar as cargas de trabalho.
Expanda cenários e migre mais cargas de trabalho para o Azure Machine Learning.

Mapeamento de componentes do Studio (clássico) e do designer

Confira a tabela a seguir para ver quais módulos usar ao recriar experimentos do Estúdio (clássico) no designer do Azure Machine Learning.

Importante

O designer implementa módulos por meio de pacotes Python de software livre em vez de pacotes C#, como o Studio (clássico). Devido a essa diferença, a saída dos componentes do designer pode variar um pouco comparado aos equivalentes do Estúdio (clássico).

Categoria	Módulo do Studio (clássico)	Componente do designer de substituição
Entrada e saída de dados	– Inserir dados manualmente – Exportar dados – Importar dados – Carregar modelo treinado – Desempacotar conjuntos de dados compactados	– Inserir dados manualmente – Exportar dados – Importar dados
Conversões de formato de dados	– Converter em CSV – Converter em conjunto de dados – Converter em ARFF – Converter em SVMLight – Converter em TSV	– Converter em CSV – Converter em conjunto de dados
Transformação de dados – manipulação	– Adicionar colunas – Adicionar linhas – Aplicar transformação SQL – Limpar dados ausentes – Converter em valores de indicador – Editar metadados – Unir dados – Remover linhas duplicadas – Selecionar colunas no conjunto de dados – Selecionar colunas para transformação – SMOTE – Agrupar valores categóricos	– Adicionar colunas – Adicionar linhas – Aplicar transformação SQL – Limpar dados ausentes – Converter em valores de indicador – Editar metadados – Unir dados – Remover linhas duplicadas – Selecionar colunas no conjunto de dados – Selecionar colunas para transformação – SMOTE
Transformação de Dados – Escalar e reduzir	– Recortar valores – Agrupar dados em compartimentos – Normalizar dados – Análise de componente principal	– Recortar valores – Agrupar dados em compartimentos – Normalizar dados
Transformação de dados – Gerar amostra e dividir	– Particionar e gerar amostra – Dividir dados	– Particionar e gerar amostra – Dividir dados
Transformação de Dados – Filtrar	– Aplicar filtro – Filtro FIR – Filtro IIR – Filtro mediano – Filtro de média móvel – Filtro de limite – Filtro definido pelo usuário
Transformação de dados – Aprendizado com contagens	– Criar transformação de contagem – Exportar tabela de contagem – Importar tabela de contagem – Mesclar transformação de contagem – Modificar parâmetros da tabela de contagem
Seleção de recursos	– Seleção de recursos baseada em filtro – Análise discriminante linear de Fisher – Importância do recurso de permuta	– Seleção de recursos baseada em filtro – Importância do recurso de permuta
Modelo – classificação	– Floresta de decisão multiclasse – Selva de decisão multiclasse – Regressão logística multiclasse – Rede neural multiclasse – Multiclasse um contra todos – Perceptron médio de duas classes – Computador do ponto Bayes de duas classes – Árvore de decisão aumentada de duas classes – Floresta de decisão de duas classes – Selva de decisão de duas classes – SVM localmente profunda de duas classes – Regressão logística de duas classes – Rede neural de duas classes – Computador de vetor de suporte de duas classes	– Floresta de decisão multiclasse – Árvore de decisão de aumento multiclasse – Regressão logística multiclasse – Rede neural multiclasse – Multiclasse um contra todos – Perceptron médio de duas classes – Árvore de decisão aumentada de duas classes – Floresta de decisão de duas classes – Regressão logística de duas classes – Rede neural de duas classes – Computador de vetor de suporte de duas classes
Modelo – clustering	– Cluster K-means	– Cluster K-means
Modelo – regressão	– Regressão linear Bayesiana – Regressão de árvore de decisão aumentada – Regressão de floresta de decisão – Regressão rápida de quantil de floresta – Regressão linear – Regressão de rede neural – Regressão ordinal – Regressão de Poisson	– Regressão de árvore de decisão aumentada – Regressão de floresta de decisão – Regressão rápida de quantil de floresta – Regressão linear – Regressão de rede neural – Regressão de Poisson
Modelo – Detecção de anomalias	– SVM de uma classe – Detecção de anomalias baseada em PCA	– Detecção de anomalias baseada em PCA
Machine Learning – Avaliar	– Modelo de validação cruzada – Avaliar modelo – Avaliar sistema de recomendação	– Modelo de validação cruzada – Avaliar modelo – Avaliar sistema de recomendação
Machine Learning – Treinar	– Clustering de varredura – Treinar modelo de detecção de anomalias – Treinar modelo de clustering – Treinar o sistema de recomendação matchbox – Treinar um modelo – Ajustar hiperparâmetros do modelo	– Treinar modelo de detecção de anomalias – Treinar modelo de clustering – Treinar modelo – Treinar modelo do PyTorch – Treinar o sistema de recomendação SVD – Treinar o sistema de recomendação amplo e profundo – Ajustar hiperparâmetros do modelo
Machine Learning – Pontuar	– Aplicar transformação – Atribuir dados a clusters – Classificar o sistema de recomendação Matchbox – Pontuar modelo	– Aplicar transformação – Atribuir dados a clusters – Pontuar modelo de imagem – Pontuar modelo – Pontuar o sistema de recomendação SVD – Pontuar o sistema de recomendação amplo e profundo
Módulos de biblioteca OpenCV	– Importar imagens – Classificação de imagem em cascata previamente treinada
Módulos da linguagem Python	– Executar script do Python	– Executar script do Python – Criar modelo do Python
Módulos de linguagem R	– Executar Script R – Criar modelo R	– Executar Script R
Funções estatísticas	– Aplicar operação matemática – Computar estatísticas elementares – Computar correlação linear – Avaliar função de probabilidade – Substituir valores discretos – Resumir dados – Testar hipótese usando o t-Test	– Aplicar operação matemática – Resumir dados
\Análise de texto	– Detectar idiomas – Extrair frases-chave do texto – Extrair recursos N-grama do texto – Hash de recursos – Alocação de Dirichlet latente – Reconhecimento de entidade nomeada – Pré-processar texto – Pontuar o modelo vVowpal Wabbit versão 7-10 – Pontuar o modelo Vowpal Wabbit versão 8 – Treinar o modelo Vowpal Wabbit versão 7-10 – Treinar o modelo Vowpal Wabbit versão 8	– Converter palavra em vetor – Extrair recursos N-grama do texto – Hash de recursos – Alocação de Dirichlet latente – Pré-processar texto – Pontuar o modelo Vowpal Wabbit – Treinar o modelo Vowpal Wabbit
Série temporal	– Detecção de anomalias de série temporal
Serviço Web	– Entrada - Saída	– Entrada - Saída
Pesquisa visual computacional		– Aplicar transformação de imagem – Converter em diretório de imagem – Transformação da imagem de inicialização – Dividir diretório de imagens – Classificação de imagem DenseNet – Classificação de imagem ResNet

Para obter mais informações sobre como usar componentes de designer individuais, confira a referência de algoritmo e componente.

E se um componente do designer estiver ausente?

O designer do Azure Machine Learning contém os módulos mais populares do Studio (clássico). Ele também inclui novos módulos que aproveitam as técnicas mais recentes de machine learning.

Se a migração for bloqueada devido a módulos ausentes no designer, entre em contato conosco criando um tíquete de suporte.

Exemplo de migração

O exemplo de migração a seguir destaca algumas das diferenças entre o Estúdio (clássico) e o Azure Machine Learning.

Conjunto de dados

No Studio (clássico), os conjuntos de dados foram salvos no seu workspace e podem ser usados apenas pelo Studio (clássico).

No Azure Machine Learning, os conjuntos de dados são registrados no workspace e podem ser usados em todo o Azure Machine Learning. Para obter mais informações sobre os benefícios dos conjuntos de dados do Azure Machine Learning, confira Dados no Azure Machine Learning.

Pipeline

No Studio (clássico), os experimentos continham a lógica de processamento do seu trabalho. Você criou experimentos com os módulos do tipo "arrastar e soltar".

No Azure Machine Learning, os pipelines contêm a lógica de processamento do seu trabalho. Você pode criar pipelines com módulos do tipo "arrastar e soltar" ou escrevendo o código.

Pontos de extremidade de serviço Web

O Studio (clássico) usou a API DE SOLICITAÇÃO/RESPOSTA para previsão em tempo real e a API DE EXECUÇÃO EM LOTE para previsão de lote ou novo treinamento.

O Azure Machine Learning usa pontos de extremidade em tempo real (pontos de extremidade gerenciados) para previsão em tempo real e pontos de extremidade de pipeline para novo treinamento ou previsão em lote.

Neste artigo, você conheceu os requisitos de alto nível da migração para o Azure Machine Learning. Para obter etapas detalhadas, confira os outros artigos na série de migração do Estúdio do Machine Learning (clássico):

Para mais recursos de migração, confira a Estrutura de Adoção do Azure Machine Learning.