Présentation d’Azure Machine Learning
Azure Machine Learning est une plateforme permettant de créer et de gérer le cycle de vie de bout en bout des systèmes de Machine Learning. La solution Azure Machine Learning est indépendante de l’infrastructure, ce qui vous donne la flexibilité de travailler avec les technologies de votre choix, telles que TensorFlow, PyTorch, ONNX, MLFlowet Scikit-learn.
Présentation d’Azure Machine Learning
Azure Machine Learning permet aux utilisateurs familiers des infrastructures de Machine Learning d’effectuer l’apprentissage des modèles et de les déployer rapidement avec du code, tout en offrant aux autres utilisateurs des outils visuels puissants. Tous vos modèles, journaux, calculs et scripts d’entraînement sont centralisés dans un espace de travail partagé dans Azure Machine Learning, qui vous aide à chaque étape de la création et du déploiement de systèmes de machine learning, ce qui signifie que vous pouvez vous concentrer sur les modèles pendant qu’Azure Machine Learning s’occupe du reste.
Azure Machine Learning propose une suite complète de fonctionnalités permettant de prendre en charge la journalisation, la surveillance et la gouvernance des jeux de données et des modèles. Ces fonctionnalités garantissent que vos modèles fonctionnent comme prévu et qu’ils sont communiqués efficacement aux parties prenantes.
Qu’est-ce que le studio Azure Machine Learning ?
Azure Machine Learning studio est un service basé sur navigateur qui fournit des solutions sans code et « code-first » pour créer, former et gérer visuellement des modèles par le biais d’une interface utilisateur web. Azure Machine Learning Studio permet aux kits de développement logiciel (SDK) Python et R de s’intégrer en toute transparence aux Jupyter Notebooks pris en charge en mode natif pour les notes et le codage collaboratifs. Les données stockées dans Azure Machine Learning studio sont simples à gérer avec une visualisation intuitive des données et des fonctionnalités d’image assistée par IA ou d’étiquetage de texte.
Création d’un modèle
Il existe plusieurs façons de créer des modèles dans Azure Machine Learning. Une formation peut avoir lieu sur un ordinateur local ou sur le Cloud Azure, c’est-à-dire sur une machine virtuelle ou un cluster de calcul par exemple.
AutoML
Le Machine Learning automatisée (AutoML) automatise la création des meilleurs modèles Machine Learning, aidant ainsi les utilisateurs à trouver le modèle le mieux adapté à leurs données, quel que soit leur expertise en matière de science des données. Spécialisé dans la classification, la régression et la prévision des séries chronologiques, l’AutoML expérimente des fonctionnalités, des algorithmes et des paramètres différents en fonction de la tâche, puis fournit des scores sur les modèles qu’il estime être le mieux adapté. Ces modèles peuvent ensuite être exportés au format ONNX et exécutés sur plusieurs plateformes et appareils. La polyvalence et la vitesse de l’AutoML signifient que les scientifiques des données expérimentés et novices l’utilisent souvent comme point de départ.
Dans l’image suivante, se trouve une vue d’ensemble de la création du pipeline AutoML et la recommandation d’un modèle.
Compute
Les ressources de calcul dont vous avez besoin pour votre environnement de Machine Learning peuvent être allouées ou attachées via Azure Machine Learning. Du calcul qui alimente vos Jupyter Notebooks pour l’analyse exploratoire des données, jusqu’aux clusters que vous utilisez pour la formation et aux clusters Kubernetes que vous déployez pour l’inférence de production à grande échelle. Vos ressources de calcul peuvent être gérées via Azure Machine Learning.
Gestion des données
Avec Azure Machine Learning, vous pouvez simplifier et collaborer sur le processus chronophage de la préparation et de l’ingestion des données. La plateforme s’intègre parfaitement à Azure Synapse, Azure Databricks, et à une suite d’autres services Azure pour aider les pipelines d’engineering données à extraire, transformer et charger (ETL) des données brutes dans des magasins de données.
Magasins de données et étiquetage
Azure Machine Learning stocke en toute sécurité vos données brutes dans le magasin de données. Vous n’avez pas besoin de vous appuyer sur des sources externes pour vos scripts, et vous pouvez expérimenter vos jeux de formation sans risquer l’intégrité des données brutes d’origine. Une fois stockées, vous pouvez nettoyer, transformer et étiqueter les données pour créer des jeux de formation à partir du magasin de données. Azure Machine Learning offre des outils permettant d’étiqueter les données tabulaires, d’image et de texte, avec des systèmes de Machine Learning intégrés qui peuvent suggérer des étiquettes ou automatiser entièrement l’étiquetage des données.