O que é machine learning?What is machine learning?

A aprendizagem automática é uma técnica da ciência de dados que permite aos computadores utilizar dados existentes para prever futuros comportamentos, resultados e tendências.Machine learning is a data science technique that allows computers to use existing data to forecast future behaviors, outcomes, and trends. Ao utilizar o machine learning, os computadores aprendem sem serem explicitamente programados.By using machine learning, computers learn without being explicitly programmed.

Previsões ou previsões de machine learning podem tornar as aplicações e dispositivos mais inteligentes.Forecasts or predictions from machine learning can make applications and devices smarter. Por exemplo, quando faz compras online, a aprendizagem automática ajuda a recomendar outros produtos que possa querer com base no que comprou.For example, when you shop online, machine learning helps recommend other products you might want based on what you've bought. Em alternativa, quando introduz os dados do seu cartão de crédito, a machine learning compara a transação com uma base de dados de transações e ajuda a detetar fraudes.Or when your credit card is swiped, machine learning compares the transaction to a database of transactions and helps detect fraud. Quando o robô aspirador limpa uma sala, a machine learning ajuda-o a decidir se a tarefa está concluída.And when your robot vacuum cleaner vacuums a room, machine learning helps it decide whether the job is done.

Ferramentas de aprendizagem automática para se adaptar a cada tarefaMachine learning tools to fit each task

A Azure Machine Learning fornece todas as ferramentas que os desenvolvedores e cientistas de dados precisam para os seus fluxos de trabalho de aprendizagem automática, incluindo:Azure Machine Learning provides all the tools developers and data scientists need for their machine learning workflows, including:

Pode até utilizar o MLflow para rastrear métricas e implementar modelos ou kubeflow para construir gasodutos de fluxo de trabalho de ponta a ponta.You can even use MLflow to track metrics and deploy models or kubeflow to build end-to-end workflow pipelines.

Construa modelos de aprendizagem automática em Python ou RBuild machine learning models in Python or R

Comece a treinar na sua máquina local utilizando o Azure Machine Learning Python SDK ou R SDK.Start training on your local machine using the Azure Machine Learning Python SDK or R SDK. Depois, pode escalar para a nuvem.Then, you can scale out to the cloud. Com muitos alvosde computação disponíveis , como o Azure Machine Learning compute e o Azure Databricks, e com serviços avançados de afinação de hiperparímetros,é possível construir melhores modelos mais rapidamente utilizando a potência da nuvem.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. Também pode automatizar o treino e afinação de modelos utilizando o SDK.You can also automate model training and tuning using the SDK.

Construa modelos de aprendizagem automática com ferramentas sem códigoBuild machine learning models with no-code tools

Para treino e implantação sem código ou de baixo código, tente:For code-free or low-code training and deployment, try:

  • Azure Machine Learning designer (pré-visualização)Azure Machine Learning designer (preview)

    Utilize o designer para preparar dados, treinar, testar, implementar, gerir e rastrear modelos de aprendizagem automática sem escrever nenhum código.Use the designer to prep data, train, test, deploy, manage, and track machine learning models without writing any code. Não é necessária programação, liga-se visualmente conjuntos de dados e módulos para construir o seu modelo.There is no programming required, you visually connect datasets and modules to construct your model. Experimente o tutorial do designer.Try out the designer tutorial.

    Saiba mais no artigo de visão geral do designer de aprendizagem automática Azure.Learn more in the Azure Machine Learning designer overview article.

  • UI de aprendizagem automática (AutoML)Automated machine learning (AutoML) UI

    Saiba como criar experiências AutoML na interface fácil de usar.Learn how to create AutoML experiments in the easy-to-use interface.

MLOps: Implantação e gestão do ciclo de vidaMLOps: Deploy and lifecycle management

As operações de machine learning (MLOps) baseiam-se em princípios e práticas de DevOps que aumentam a eficiência dos fluxos de trabalho.Machine learning operations (MLOps) is based on DevOps principles and practices that increase the efficiency of workflows. Por exemplo, integração contínua, entrega e implantação.For example, continuous integration, delivery, and deployment. O MLOps aplica estes princípios ao processo de aprendizagem automática, com o objetivo de:MLOps applies these principles to the machine learning process, with the goal of:

  • Experimentação e desenvolvimento mais rápidos de modelosFaster experimentation and development of models
  • Implantação mais rápida de modelos na produçãoFaster deployment of models into production
  • Garantia de qualidadeQuality assurance

Quando tiver o modelo certo, pode facilmente usá-lo num serviço web, num dispositivo IoT ou na 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. Para obter mais informações, consulte implementar modelos com Azure Machine Learning.For more information, see Deploy models with Azure Machine Learning.

Em seguida, pode gerir os seus modelos implantados utilizando o Azure Machine Learning SDK para Python, o estúdio Azure Machine Learningou o CLI de aprendizagem automática.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.

Estes modelos podem ser consumidos e as previsões de retorno em tempo real ou assíncrona em grandes quantidades de dados.These models can be consumed and return predictions in Real time or asynchronously on large quantities of data.

E com oleodutos de aprendizagem automática avançados, pode colaborar em cada passo desde a preparação de dados,formação de modelos e avaliação, através da implantação.And with advanced machine learning pipelines, you can collaborate on each step from data preparation, model training and evaluation, through deployment. Os gasodutos permitem-lhe:Pipelines allow you to:

  • Automatize o processo de aprendizagem automática de ponta a ponta na nuvemAutomate the end-to-end machine learning process in the cloud
  • Reutilizar componentes e apenas refazer etapas quando necessárioReuse components and only rerun steps when needed
  • Use diferentes recursos computacional em cada passoUse different compute resources in each step
  • Executar tarefas de pontuação de lotesRun batch scoring tasks

Se pretender utilizar scripts para automatizar o seu fluxo de trabalho de aprendizagem automática, o CLI de aprendizagem automática fornece ferramentas de linha de comando que executam tarefas comuns, tais como submeter uma corrida de treino ou implementar um modelo.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.

Para começar a utilizar o Azure Machine Learning, consulte os próximos passos.To get started using Azure Machine Learning, see Next steps.

Machine Learning AutomatizadoAutomated Machine Learning

Os cientistas de dados passam uma quantidade excessiva de tempo a iterar sobre modelos durante a fase de experimentação.Data scientists spend an inordinate amount of time iterating over models during the experimentation phase. Todo o processo de experimentação de diferentes algoritmos e combinações de hiperparímetros até que um modelo aceitável seja construído é extremamente taxativo para os cientistas de dados, devido à natureza monótona e não desafiante do trabalho.The whole process of trying out different algorithms and hyperparameter combinations until an acceptable model is built is extremely taxing for data scientists, due to the monotonous and non-challenging nature of work. Embora este seja um exercício que produz ganhos maciços em termos de eficácia do modelo, por vezes custa demasiado em termos de tempo e recursos e, portanto, pode ter um retorno negativo sobre o investimento (ROI).While this is an exercise that yields massive gains in terms of the model efficacy, it sometimes costs too much in terms of time and resources and thus may have a negative return on investment (ROI).

É aqui que entra a aprendizagem automática de máquinas (AutoML).This is where automated machine learning (AutoML) comes in. Utiliza os conceitos do trabalho de investigação sobre factorização da matriz probabilística e implementa um pipeline automatizado de experimentar algoritmos e definições de hipermetro inteligentemente selecionados, com base na heurística dos dados apresentados, mantendo em consideração o problema ou cenário dado.It uses the concepts from the research paper on probabilistic matrix factorization and implements an automated pipeline of trying out intelligently-selected algorithms and hypermeter settings, based on the heuristics of the data presented, keeping into consideration the given problem or scenario. O resultado deste pipeline é um conjunto de modelos que são mais adequados para o problema dado e conjunto de dados.The result of this pipeline is a set of models that are best suited for the given problem and dataset.

Para obter mais informações sobre o AutoML, consulte AutoML e MLOps com Azure Machine Learning.For more information on AutoML, see AutoML and MLOps with Azure Machine Learning.

ML responsávelResponsible ML

Ao longo do desenvolvimento e utilização dos sistemas de IA, a confiança deve estar no centro.Throughout the development and use of AI systems, trust must be at the core. Confiança na plataforma, processo e modelos.Trust in the platform, process, and models. À medida que a IA e os sistemas autónomos se integram mais no tecido da sociedade, é importante fazer um esforço proactivo para antecipar e mitigar as consequências não intencionais destas tecnologias.As AI and autonomous systems integrate more into the fabric of society, it's important to proactively make an effort to anticipate and mitigate the unintended consequences of these technologies.

  • Compreenda os seus modelos e construa para a justiça: explique o comportamento do modelo e descubra características que tenham mais impacto nas previsões.Understand your models and build for fairness: explain model behavior and uncover features that have the most impact on predictions. Utilize explicadores incorporados para modelos de caixa de vidro e caixa preta durante o treino e inferência do modelo.Use built-in explainers for both glass-box and black-box models during model training and inference. Utilize visualizações interativas para comparar modelos e realizar análises para melhorar a precisão do modelo.Use interactive visualizations to compare models and perform what-if analysis to improve model accuracy. Teste os seus modelos para ser justo usando algoritmos de última geração.Test your models for fairness using state-of-the-art algorithms. Mitigar a injustiça ao longo do ciclo de vida da aprendizagem automática, comparar modelos atenuados e fazer a justiça intencional versus precisão trocas como desejado.Mitigate unfairness throughout the machine learning lifecycle, compare mitigated models, and make intentional fairness versus accuracy trade-offs as desired.
  • Proteger a privacidade e a confidencialidade dos dados: construir modelos que preservem a privacidade utilizando as mais recentes inovações na privacidade diferencial, que injeta níveis precisos de ruído estatístico nos dados para limitar a divulgação de informação sensível.Protect data privacy and confidentiality: build models that preserve privacy using the latest innovations in differential privacy, which injects precise levels of statistical noise in data to limit the disclosure of sensitive information. Identifique fugas de dados e limite inteligentemente as consultas de repetição para gerir o risco de exposição.Identify data leaks and intelligently limit repeat queries to manage exposure risk. Utilize técnicas de encriptação e machine learning confidenciais (em breve) especificamente concebidas para a aprendizagem automática para construir modelos de forma segura usando dados confidenciais.Use encryption and confidential machine learning (coming soon) techniques specifically designed for machine learning to securely build models using confidential data.
  • Controlar e governar através de cada passo do processo de aprendizagem automática: aceder às capacidades incorporadas para rastrear automaticamente a linhagem e criar um ensaio de auditoria através do ciclo de vida de aprendizagem automática.Control and govern through every step of the machine learning process: access built-in capabilities to automatically track lineage and create an audit trial across the machine learning lifecycle. Obtenha visibilidade total no processo de aprendizagem automática através do rastreio de conjuntos de dados, modelos, experiências, código e muito mais.Obtain full visibility into the machine learning process by tracking datasets, models, experiments, code, and more. Utilize tags personalizadas para implementar folhas de dados de modelos, documentar metadados-chave do modelo, aumentar a responsabilidade e garantir um processo responsável.Use custom tags to implement model data sheets, document key model metadata, increase accountability, and ensure responsible process.

Saiba mais sobre como implementar o ML Responsável.Learn more about how to implement Responsible ML.

Integração noutros serviçosIntegration with other services

A Azure Machine Learning trabalha com outros serviços na plataforma Azure, e também integra com ferramentas de código aberto como Git e MLflow.Azure Machine Learning works with other services on the Azure platform, and also integrates with open-source tools such as Git and MLflow.

Passos seguintesNext steps