O que é o Azure Machine Learning Studio?

Neste artigo, você saberá mais sobre o estúdio do Azure Machine Learning, o portal da Web para desenvolvedores cientistas de dados no Azure Machine Learning. O estúdio combina experiências sem código e code first para obter uma plataforma de ciência de dados inclusiva.

Neste artigo, você aprende:

É recomendável que você use o navegador mais atualizado compatível com o sistema operacional. Há suporte para os seguintes navegadores:

  • Microsoft Edge (última versão)
  • Safari (última versão, apenas Mac)
  • Chrome (última versão)
  • Firefox (última versão)

Criar projetos de machine learning

O estúdio oferece várias experiências de criação, dependendo do tipo de projeto e do nível de experiência do usuário.

Captura de tela: gravar e executar o código em um notebook

  • Designer do Azure Machine Learning

    Use o designer para treinar e implantar modelos de machine learning sem nenhuma codificação. Arraste e solte conjuntos de dados e componentes para criar pipelines de ML. Experimente o tutorial do designer.

    Exemplo do Azure Machine Learning Designer

  • Interface do usuário de machine learning automatizado

    Saiba como criar experimentos de ML automatizado com uma interface fácil de usar.

    O AutoML no painel de navegação do Estúdio do Azure Machine Learning

  • Rotulagem de dados

    Use a rotulagem de dados do Azure Machine Learning para coordenar com eficiência os projetos de rotulagem de imagens e rotulagem de texto.

Gerenciar ativos e recursos

Gerencie os seus ativos do machine learning diretamente no seu navegador. Os ativos são compartilhados no mesmo workspace entre o SDK e o estúdio para uma experiência simplificada. Use o estúdio para gerenciar:

  • Modelos
  • Conjunto de dados
  • Armazenamentos de dados
  • Recursos de computação
  • Notebooks
  • Testes
  • Logs de execução
  • Pipelines
  • Pontos de extremidade do pipeline

Mesmo que você seja um desenvolvedor experiente, o estúdio pode simplificar a maneira como você gerencia os recursos do workspace.

ML Studio (clássico) versus estúdio do Azure Machine Learning

Importante

O suporte para o Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. É recomendável fazer a transição para o Azure Machine Learning até essa data.

A partir de 1º de dezembro de 2021, você não poderá criar recursos do Machine Learning Studio (clássico). Até 31 de agosto de 2024, você pode continuar usando os recursos existentes do Machine Learning Studio (clássico).

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

Lançado em 2015, o ML Studio (clássico) foi o primeiro construtor de modelo de machine learning do tipo "arrastar e soltar" do Azure. O ML Studio (clássico) é um serviço autônomo que oferece apenas uma experiência visual. O Studio (clássico) não interopera com o Azure Machine Learning.

O Azure Machine Learning é um serviço separado e modernizado que fornece uma plataforma de ciência de dados completa. Ele dá suporte a experiências com código baixo e code first.

O estúdio do Azure Machine Learning é um portal da Web no Azure Machine Learning que contém opções de código baixo e sem código para criação de projetos e gerenciamento de ativos.

Caso seja um novo usuário, selecione o Azure Machine Learning em vez do ML Studio (clássico). Como uma plataforma de ML completa, o Azure Machine Learning fornece:

  • Clusters de cálculo escalonáveis para treinamento em grande escala.
  • Segurança e governança corporativas.
  • Interoperável com ferramentas de software livre populares.
  • MLOps de ponta a ponta.

Comparação de recursos

A tabela a seguir resume as principais diferenças entre o ML Studio (clássico) e o Azure Machine Learning.

Recurso ML Studio (clássico) Azure Machine Learning
Interface de "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 à GPU e à CPU
Destinos de computação de implantação Formato do serviço Web proprietário, não personalizável Ampla gama de destinos de computação de implantação personalizáveis. Inclui suporte à GPU e à CPU
Pipeline de ML Sem suporte Crie pipelines flexíveis e modulares para automatizar fluxos de trabalho
MLOps Gerenciamento e implantação de modelos básicos; implantações somente da 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 (https://gallery.azure.ai/) Sem suporte

Saiba mais com os notebooks de exemplo de SDK do Python.

Solução de problemas

  • Itens da interface do usuário ausentes no estúdio: o controle de acesso baseado em função do Azure pode ser usado para restringir ações que podem ser executadas com o Azure Machine Learning. Essas restrições podem impedir que itens da interface do usuário apareçam no Estúdio do Azure Machine Learning. Por exemplo, caso seja atribuída a você uma função que não pode criar uma instância de computação, a opção para criá-la não será exibida no estúdio. Para obter mais informações, confira Gerenciar usuários e funções.

Próximas etapas

Visite o estúdio ou explore as diferentes opções de criação com estes tutoriais:

Comece com o Guia de início rápido: Introdução ao Azure Machine Learning. Em seguida, use estes recursos para criar seu primeiro experimento com o método de sua preferência: