Comprender cómo se consumirá el modelo

Completado

Imagine que es científico de datos y que entrena un modelo de Machine Learning. Normalmente, sigue seis pasos para planear, entrenar, implementar y supervisar el modelo:

1. Definir el problema: decida qué debe predecir el modelo y cuándo lo hace correctamente.
2. Obtener los datos: busque orígenes de datos y obtenga acceso.
3. Preparar los datos: explore los datos. Limpie y transforme los datos en función de los requisitos del modelo.
4. Entrenar el modelo: elija un algoritmo y valores de hiperparámetros en función de prueba y error.
5. Integrar el modelo: implemente el modelo en un punto de conexión para generar predicciones.
6. Supervisar el modelo: realice un seguimiento del rendimiento del modelo.

Nota

El diagrama es una representación simplificada del proceso de aprendizaje automático. Normalmente, el proceso es iterativo y continuo. Por ejemplo, al supervisar el modelo, puede decidir volver atrás y volver a entrenar el modelo.

Debe planear cómo integrar el modelo, ya que puede afectar a cómo entrenar el modelo o qué datos de entrenamiento usa. Para integrar el modelo, debe implementar un modelo en un punto de conexión. Puede implementar un modelo en un punto de conexión para predicciones por lotes o en tiempo real.

Implementación de un modelo en un punto de conexión

Al entrenar un modelo, el objetivo suele ser integrarlo en una aplicación.

Para integrar fácilmente un modelo en una aplicación, puede usar puntos de conexión. En pocas palabras, un punto de conexión puede ser una dirección web a la que una aplicación puede llamar para devolver un mensaje.

Con Azure Machine Learning, puede implementar el modelo en un punto de conexión. Después, puede integrar el punto de conexión en su propia aplicación y llamar al modelo para obtener las predicciones en la aplicación donde quiera visualizarlas.

Al implementar un modelo en un punto de conexión, tiene dos opciones:

• Obtener predicciones en tiempo real
• Obtener predicciones por lotes

Obtención de predicciones en tiempo real

Si quiere que el modelo puntúe los datos nuevos tal y como lleguen, necesita predicciones en tiempo real.

Las predicciones en tiempo real suelen ser necesarias cuando una aplicación usa un modelo, como una aplicación móvil o un sitio web.

Imagine que tiene un sitio web que contiene un catálogo de productos:

1. Un cliente selecciona un producto en su sitio web, como una camisa.
2. En función de la selección del cliente, el modelo recomienda otros elementos del catálogo de productos inmediatamente. El sitio web muestra las recomendaciones del modelo.

Un cliente puede seleccionar un producto en la tienda web en cualquier momento. Quiere que el modelo encuentre las recomendaciones casi inmediatamente. El tiempo que tarda la página web en cargarse y mostrar los detalles de la camisa es el tiempo que debe tardar en obtener las recomendaciones o predicciones. A continuación, cuando se muestra la camisa, también se pueden mostrar las recomendaciones.

Obtención de predicciones por lotes

Si quiere que el modelo puntúe nuevos datos por lotes y guarde los resultados como un archivo o en una base de datos, necesita predicciones por lotes.

Por ejemplo, puede entrenar un modelo que prediga las ventas de zumo de naranja para cada semana futura. Al predecir las ventas de zumos de naranja, puede asegurarse de que el suministro sea suficiente para satisfacer la demanda esperada.

Imagine que está visualizando todos los datos históricos de ventas en un informe. Querrá incluir las ventas previstas en el mismo informe.

Aunque el zumo de naranja se vende a lo largo del día, solo quiere calcular la previsión una vez a la semana. Puede recopilar los datos de ventas a lo largo de la semana y llamar al modelo solo cuando tenga los datos de ventas de una semana entera. Una colección de puntos de datos se conoce como un lote.