Azure Machine Learning nedir?

  • Makale
  • Okumak için 5 dakika

Azure Machine Learning, makine öğrenmesi projesi yaşam döngüsünü hızlandırmaya ve yönetmeye yardımcı olan bir bulut hizmetidir. Makine öğrenmesi uzmanları, veri bilimcileri ve mühendisler bunu günlük iş akışlarında kullanabilir: Modelleri eğitme ve dağıtma ve MLOps'yi yönetme.

Azure Machine Learning'da model oluşturabilir veya Pytorch, TensorFlow veya scikit-learn gibi açık kaynak bir platformdan bir model kullanabilirsiniz. MLOps araçları modelleri izlemenizi, yeniden eğitmenizi ve yeniden düzenlemenizi sağlar.

İpucu

Ücretsiz deneme! Azure aboneliğiniz yoksa başlamadan önce ücretsiz bir hesap oluşturun. sürümünün ücretsiz veya ücretli sürümünü Azure Machine Learning. Azure hizmetlerinde harcayabileceğiniz krediler alırsınız. Krediler bittikten sonra hesabı tutabilir ve ücretsiz Azure hizmetlerini kullanabilirsiniz. Açıkça ayarlarınızı değiştirip ücretlendirme istemediğiniz sürece kredi kartınız asla ücretlendirilmez.

Who ne Azure Machine Learning?

Azure Machine Learning, makine öğrenmesi modellerini güvenli ve denetlenebilir bir üretim ortamında üretime getirmek için kuruluşlarında MLOps uygulayan bireylere ve ekiplere yöneliktir.

Veri bilimcileri ML mühendisleri, günlük iş akışlarını hızlandırmaya ve otomatikleştirmeye yarayan araçlar bulur. Uygulama geliştiricileri modelleri uygulamalar veya hizmetlerle tümleştirmeye yönelik araçlar bulur. Platform geliştiricileri, gelişmiş veri geliştirme araçları oluşturmak için dayanıklı Azure Resource Manager API'leri ile ML bulur.

Microsoft Azure bulutta çalışan kuruluşlar, altyapı için tanıdık güvenlik ve rol tabanlı erişim denetimi (RBAC) bulur. Korumalı verilere erişimi reddetmek ve işlemleri seçmek için bir proje kurabilirsiniz.

Makine öğrenmesi ekipleri için işbirliği

Makine öğrenmesi projeleri genellikle çeşitli beceri kümeleri olan bir ekibin derlemesini ve bakımını yapmak gerektirir. Azure Machine Learning işbirliğini etkinleştirmeye yardımcı olan araçlar vardır, örneğin:

  • Paylaşılan not defterleri, işlem kaynakları, veriler ve ortamlar
  • Kimin ne zaman ve ne zaman değişiklik yaptığı gösteren izleme ve denetim
  • Varlık sürümü

Geliştiriciler için araçlar

Geliştiriciler, Azure Machine Learning tanıdık arabirimler bulur:

Studio kullanıcı arabirimi

Azure Machine Learning studio, bir proje çalışma alanı için grafik kullanıcı arabirimidir. Studio'da şunların için:

  • Çalıştırmaları, ölçümleri, günlükleri, çıkışları ve diğer verileri görüntüleme.
  • Not defterlerini ve dosyaları yazma ve düzenleme.
  • Yaygın varlıkları yönetme, örneğin
    • Veri kimlik bilgileri
    • İşlem
    • Ortamlar
  • Çalıştırma ölçümlerini, sonuçları ve raporları görselleştirin.
  • Geliştirici arabirimleri aracılığıyla yazması yapılan işlem hatlarını görselleştirin.
  • AutoML işleri yazma.

Ayrıca tasarımcı, modelleri eğitip dağıtabilirsiniz.

ML Studio (klasik) kullanıcısıysanız Studio (klasik)kullanımdan nasıl kullanımdan silinecek ve ile Azure Machine Learning studio arasındaki fark hakkında bilgi.

Enterprise hazır olma ve güvenlik

Azure Machine Learning, azure bulut platformuyla tümleştirildi. Bu platform, ML ekler.

Güvenlik tümleştirmeleri şunları içerir:

  • Ağ güvenlik gruplarıyla Azure Sanal Ağları (VNet'ler)
  • Azure Key Vault hesaplarına erişim bilgileri gibi güvenlik gizli dizilerini kaydedebilirsiniz
  • Azure Container Registry ağ arkasında ayarlama

Bkz. Öğretici: Güvenli bir çalışma alanı ayarlama.

Eksiksiz çözümler için Azure tümleştirmeleri

Azure hizmetleriyle yapılan diğer tümleştirmeler, makine öğrenmesi projesini 1-20 20 2019'da destekler. Bunlara aşağıdakiler dahildir:

  • Azure Synapse Analytics Spark ile veri işleme ve akışla işleme
  • Azure Arc, Azure hizmetlerini kubernetes ortamında çalıştırabilirsiniz
  • Depolama, Azure Depolama Blobları gibi Azure SQL Veritabanı ve veritabanı seçenekleri
  • Azure App Service destekli uygulamaları dağıtmanıza ve ML olanak sağlar

Makine öğrenmesi projesi iş akışı

Modeller genellikle hedef ve hedeflere sahip bir projenin parçası olarak geliştiriliyor. Projeler genellikle birden fazla kişi içerir. Verilerle, algoritmalarla ve modellerle denemeler yapmak, geliştirmenin iterative olduğunu gösterir.

Project yaşam döngüsü

Proje yaşam döngüsü projeye göre değişiklik gösterene kadar genellikle şöyle olur:

Makine öğrenmesi projesi yaşam döngüsü diyagramı

Çalışma alanı bir projeyi organize ediyor ve ortak bir amaca yönelik olarak çalışan birçok kullanıcı için işbirliğine olanak sağlar. Çalışma alanı kullanıcıları, studio kullanıcı arabiriminde denemeden çalıştırmalarının sonuçlarını kolayca paylaşabilir veya ortamlar ve depolama başvuruları gibi işler için sürüme sahip varlıkları kullanabilir.

Daha fazla bilgi için bkz. Çalışma Azure Machine Learning yönetme.

Bir proje kullanıma hazır olduğunda, kullanıcıların işi bir makine öğrenmesi işlem hattında otomatik hale edilebilir ve bir zaman çizelgesi veya HTTPS isteğiyle tetiklenir.

Modeller, hem gerçek zamanlı hem de toplu dağıtımlar için yönetilen çıkarım çözümüne dağıtılabilir ve bu da genellikle modelleri dağıtmak için gereken altyapı yönetimini soyutlar.

Modelleri eğitme

Bu Azure Machine Learning, eğitim betiğinizi bulutta çalıştırabilirsiniz veya sıfırdan bir model oluşturun. Müşteriler genellikle açık kaynak çerçeveler içinde kendi içinde yerleşik ve eğitilmiş modeller getirir ve bu modelleri bulutta faaliyete geçirmek için hazırlar.

Açık ve birlikte çalışabilir

Veri bilimcileri, Azure Machine Learning Python çerçevelerinde oluşturdukları veri modellerini kullanabilir, örneğin:

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

Diğer diller ve çerçeveler de desteklene:

  • R
  • .NET

Bkz. Azure Machine Learning ile açık kaynak tümleştirmesi.

Otomatik özelleştirme ve algoritma seçimi (AutoML)

Tekrarlanan ve zaman alan bir işlemde, klasik makine öğrenmesi veri bilimcileri, eğitim için doğru veri beceri kazandırma ve algoritmayı seçmek için önceki deneyimi ve intuition'ı kullanır. Otomatik ML (AutoML) bu işlemi hızlandırır ve studio kullanıcı arabirimi veya Python SDK'sı aracılığıyla kullanılabilir.

Bkz. Otomatik makine öğrenmesi nedir?

Hiperparametre iyileştirmesi

Hiperparametre iyileştirmesi veya hiperparametre ayarlaması sıkıcı bir görev olabilir. Azure Machine Learning tanımında çok az değişiklikle rastgele parametreli komutlar için bu görevi otomatikleştirebilirsiniz. Sonuçlar studio'da görselleştirilmiştir.

Bkz. Hiperparametreleri ayarlama.

Çoknode dağıtılmış eğitimi

Derin öğrenme ve bazen klasik makine öğrenmesi eğitim işleri için eğitimin verimliliği, çok katmanlı dağıtılmış eğitim aracılığıyla önemli ölçüde geliştirilabiliyor. Azure Machine Learning işlem kümeleri en son GPU seçeneklerini sunar.

Ekli Kubernetes (önizleme) ve Azure Azure Arc işlem kümeleri ML destekler:

  • PyTorch
  • TensorFlow
  • MPI

MPI dağıtımı Horovod veya özel çoknode mantığı için kullanılabilir. Ayrıca, Apache Spark Spark kümeleri (önizleme Azure Synapse Analytics aracılığıyla da desteklenmeleri gerekir.

Bkz. Azure Machine Learning ile dağıtılmış eğitim.

Rahatsız edici şekilde paralel eğitim

Makine öğrenmesi projesini ölçeklendirmek için büyük bir paralel model eğitimi ölçeklendirmek gerekli olabilir. Bu düzen, bir modelin birçok mağaza için eğitilil olduğu talebi tahmin gibi senaryolarda yaygındır.

Modelleri dağıtma

Bir modeli üretime getirmek için dağıtılır. Azure Machine Learning uç noktaları, hem toplu hem de gerçek zamanlı (çevrimiçi) model puanlama (çıkarım) için gerekli altyapıyı soyutlar.

Gerçek zamanlı ve toplu puanlama (çıkarım)

Toplu puanlama veya toplu çıkarım, verilere başvuru içeren bir uç noktanın iptal özel durumuna sahip olduğunu belirtir. Toplu iş uç noktası, verileri işlem kümelerinde paralel olarak işlemek ve daha fazla analiz için verileri depolamak için işleri zaman uyumsuz olarak çalıştırır.

Gerçek zamanlı puanlama veya çevrimiçi çıkarım, bir veya daha fazla model dağıtımına sahip bir uç noktayı faturalamayı ve HTTP'ler aracılığıyla neredeyse gerçek zamanlı bir yanıt almayı içerir. Trafik birden çok dağıtıma bölünerek yeni model sürümlerinin test sınanarak başlangıçta bir miktar trafik yönlendirerek ve yeni modelde güven kurulduktan sonra artan bir artışa olanak sağlar.

Bkz.

MLOps: DevOps makine öğrenmesi için öğrenme

DevOps makine öğrenmesi modellerinin sıklıkla MLOps olarak adlandırılan bir üretim modeli geliştirme sürecidir. Modelin eğitimden dağıtıma kadar olan yaşam döngüsü, yeniden tekrarlanabilir durumda değilse denetlenebilir olması gerekir.

ML yaşam döngüsü

Makine öğrenmesi modeli yaşam döngüsü - MLOps

Azure Machine Learning'de MLOps hakkında daha fazla bilgi Azure Machine Learning.

MLOP'leri etkinleştiren tümleştirmeler

Azure Machine Learning, model yaşam döngüsüyle birlikte tasarlanmıştır. Model yaşam döngüsünü belirli bir işlemeye ve ortama kadar kontrol edin.

MLOps'i etkinleştiren bazı önemli özellikler şunlardır:

  • git Entegrasyon
  • MLflow tümleştirmesi
  • Makine öğrenmesi işlem hattı zamanlaması
  • Azure Event Grid tetikleyiciler için tümleştirme
  • GitHub Actions veya Azure DevOps gibi CI/CD araçlarıyla kullanımı Azure DevOps

Ayrıca, Azure Machine Learning ve denetim özellikleri de içerir:

  • Kod anlık görüntüleri, günlükler ve diğer çıkışlar gibi iş yapıtları
  • Kapsayıcılar, veriler ve işlem kaynakları gibi işler ve varlıklar arasındaki veri çizgisi

Sonraki adımlar

Şu Azure Machine Learning: