Vad är Azure Machine Learning?

Azure Machine Learning är en molntjänst för att påskynda och hantera livscykeln för maskininlärningsprojektet. Maskininlärningstekniker, dataforskare och tekniker kan använda det i sina dagliga arbetsflöden: träna och distribuera modeller och hantera MLOps.

Du kan skapa en modell i Azure Machine Learning eller använda en modell som skapats från en plattform med öppen källkod, till exempel Pytorch, TensorFlow eller scikit-learn. MLOps-verktyg hjälper dig att övervaka, träna om och omdistribuera modeller.

Vem är Azure Machine Learning för?

Azure Machine Learning är för enskilda användare och team som implementerar MLOps i organisationen för att föra in maskininlärningsmodeller i en säker och granskningsbar produktionsmiljö.

Dataforskare och ML kommer att hitta verktyg för att påskynda och automatisera sina dagliga arbetsflöden. Programutvecklare hittar verktyg för att integrera modeller i program eller tjänster. Plattformsutvecklare hittar en robust uppsättning verktyg som backas upp av beständiga Azure Resource Manager API:er för att skapa avancerade ML verktyg.

Företag som arbetar Microsoft Azure molnet kommer att hitta bekant säkerhet och rollbaserad åtkomstkontroll (RBAC) för infrastrukturen. Du kan konfigurera ett projekt för att neka åtkomst till skyddade data och välja åtgärder.

Samarbete för maskininlärningsteam

Maskininlärningsprojekt kräver ofta ett team med olika kompetensuppsättningar för att bygga och underhålla. Azure Machine Learning har verktyg som hjälper till att möjliggöra samarbete, till exempel:

• Delade notebook-filer, beräkningsresurser, data och miljöer
• Spårning och granskningsbarhet som visar vem som har gjort ändringar och när
• Versionshantering av tillgångar

Verktyg för utvecklare

Utvecklare hittar bekanta gränssnitt i Azure Machine Learning, till exempel:

• Python SDK
• Azure Resource Manager REST API:er (förhandsversion)
• CLI v2 (förhandsversion)

Studio-användargränssnitt

Den Azure Machine Learning studio är ett grafiskt användargränssnitt för en projektarbetsyta. I studio kan du:

• Visa körningar, mått, loggar, utdata och så vidare.
• Skapa och redigera notebook-filer.
• Hantera vanliga tillgångar, till exempel
  • Dataautentiseringsuppgifter
  • Compute
  • Miljöer
• Visualisera körningsmått, resultat och rapporter.
• Visualisera pipelines som har redigerats via utvecklargränssnitt.
• Skapa AutoML-jobb.

Dessutom har designern ett dra och släpp-gränssnitt där du kan träna och distribuera modeller.

Om du är en ML Studio-användare (klassisk) kan du lära dig mer om utfasning av Studio (klassisk)och skillnaden mellan den och Azure Machine Learning studio .

Företagsberedskap och säkerhet

Azure Machine Learning integreras med Azure-molnplattformen för att lägga till säkerhet i ML projekt.

Säkerhetsintegreringar omfattar:

• Virtuella Azure-nätverk (VNet) med nätverkssäkerhetsgrupper
• Azure Key Vault där du kan spara säkerhetshemligheter, till exempel åtkomstinformation för lagringskonton
• Azure Container Registry bakom ett VNet

Se Självstudie: Konfigurera en säker arbetsyta.

Azure-integreringar för fullständiga lösningar

Andra integreringar med Azure-tjänster stöder ett maskininlärningsprojekt från end-to-end. De omfattar:

• Azure Synapse Analytics för att bearbeta och strömma data med Spark
• Azure Arc, där du kan köra Azure-tjänster i en Kubernetes-miljö
• Storage och databasalternativ, till exempel Azure SQL Database, Azure Storage blobar och så vidare
• Azure App Service kan du distribuera och hantera ML-drivna appar

Arbetsflöde för maskininlärningsprojekt

Modeller utvecklas vanligtvis som en del av ett projekt med ett mål och mål. Projekt involverar ofta mer än en person. När du experimenterar med data, algoritmer och modeller är utvecklingen iterativ.

Project livscykel

Projektlivscykeln kan variera beroende på projekt, men den ser ofta ut så här:

En arbetsyta organiserar ett projekt och möjliggör samarbete för många användare som alla arbetar mot ett gemensamt mål. Användare på en arbetsyta kan enkelt dela resultatet av sina körningar från experimentering i Studio-användargränssnittet eller använda versionstillgångar för jobb som miljöer och lagringsreferenser.

Mer information finns i Hantera Azure Machine Learning arbetsytor.

När ett projekt är redo för drift kan användarnas arbete automatiseras i en maskininlärningspipeline och utlösas enligt ett schema eller en HTTPS-begäran.

Modeller kan distribueras till den hanterade härledningslösningen för både realtids- och batchdistributioner och abstrahera bort den infrastrukturhantering som vanligtvis krävs för att distribuera modeller.

Inlärningsmodeller

I Azure Machine Learning kan du köra ditt träningsskript i molnet eller skapa en modell från grunden. Kunder tar ofta med sig modeller som de har skapat och tränat i ramverk med öppen källkod, så att de kan operationalisera dem i molnet.

Öppen och samverkande

Dataexperter kan använda modeller i Azure Machine Learning som de har skapat i vanliga Python-ramverk, till exempel:

• PyTorch
• TensorFlow
• scikit-learn
• XGBoost
• LightGBM

Andra språk och ramverk stöds också, inklusive:

• R
• .NET

Se Integrering med öppen källkod med Azure Machine Learning.

Automatisk funktionering och algoritmval (AutoML)

I en repetitiv, tidskrävande process använder dataexperter inom klassisk maskininlärning tidigare erfarenhet och intuition för att välja rätt dataalisering och algoritm för träning. Automatiserad ML (AutoML) påskyndar den här processen och kan användas via Studio UI eller Python SDK.

Se Vad är automatiserad maskininlärning?

Optimering av hyperparameter

Optimering av hyperparameter, eller finjustering av hyperparametrar, kan vara en omedious-uppgift. Azure Machine Learning kan automatisera den här uppgiften för godtyckliga parametriserade kommandon med få ändringar i jobbdefinitionen. Resultaten visualiseras i studio.

Se Så här finjusterar du hyperparametrar.

Distribuerad träning med fleranoder

Effektiviteten för träning för djupinlärning och ibland klassiska träningsjobb för maskininlärning kan förbättras drastiskt via distribuerad träning med fleranoder. Azure Machine Learning beräkningskluster erbjuder de senaste GPU-alternativen.

Stöds via Azure Arc Kubernetes (förhandsversion) och Azure ML-beräkningskluster:

• PyTorch
• TensorFlow
• MPI

MPI-distributionen kan användas för Horovod eller anpassad flernodslogik. Dessutom stöds Apache Spark via spark Azure Synapse Analytics kluster (förhandsversion).

Se Distribuerad träning med Azure Machine Learning.

Pinsamt parallell träning

Skalning av ett maskininlärningsprojekt kan kräva skalning av pinnigt parallell modellträning. Det här mönstret är vanligt för scenarier som att skapa prognoser för efterfrågan, där en modell kan tränas för många butiker.

Distribuera modeller

För att ta en modell till produktion distribueras den. Azure Machine Learning hanterade slutpunkter abstraherar den infrastruktur som krävs för både batch- eller realtidsmodellbedömning (online) (inferencing).

Realtidsbedömning och batchbedömning (inferens)

Batchbedömning, eller batch-inferenering, omfattar anrop av en slutpunkt med en referens till data. Batchslutpunkten kör jobb asynkront för att bearbeta data parallellt i beräkningskluster och lagra data för ytterligare analys.

Realtidsbedömning, eller onlineinferens, innebär att man anropar en slutpunkt med en eller flera modelldistributioner och tar emot ett svar i nära realtid via HTTPs. Trafiken kan delas upp mellan flera distributioner, vilket gör det möjligt att testa nya modellversioner genom att omdirigera en viss mängd trafik initialt och öka när förtroendet för den nya modellen har upprättats.

Se:

• Distribuera en modell med en hanterad slutpunkt i realtid
• Använda batchslutpunkter för bedömning

MLOps: DevOps för maskininlärning

DevOps för maskininlärningsmodeller, som ofta kallas MLOps, är en process för att utveckla modeller för produktion. En modells livscykel från träning till distribution måste vara granskningsbar om den inte kan återskapas.

ML livscykel för modell

Läs mer om MLOps i Azure Machine Learning.

Integreringar som aktiverar MLOPs

Azure Machine Learning byggs med modellens livscykel i åtanke. Du kan granska modellens livscykel ned till en specifik genomförande- och miljö.

Några viktiga funktioner som aktiverar MLOps är:

• git Integration
• MLflow-integrering
• Schemaläggning av maskininlärningspipeline
• Azure Event Grid integrering för anpassade utlösare
• Lätt att använda med CI/CD-verktyg som GitHub Actions eller Azure DevOps

Dessutom Azure Machine Learning funktioner för övervakning och granskning:

• Jobbartefakter, till exempel ögonblicksbilder av kod, loggar och andra utdata
• Härledning mellan jobb och tillgångar, till exempel containrar, data och beräkningsresurser

Nästa steg

Börja använda Azure Machine Learning:

• Konfigurera en Azure Machine Learning arbetsyta
• Självstudie: Skapa ett första maskininlärningsprojekt
• Förhandsversion: Köra modellträningsjobb med v2 CLI