Description du Générateur de modèles

  • 4 minutes

Le machine Learning est une technique qui utilise les mathématiques et les statistiques pour identifier des patterns dans des données sans programmation explicite. Model Builder est une extension graphique Visual Studio pour l’entraînement et le déploiement de modèles Machine Learning personnalisés en utilisant ML.NET.

Capture d'écran montrant l'extension Model Builder Visual Studio pour ML.NET.

Supposez par exemple que vous souhaitez prédire le prix d’un bien immobilier. Si vous utilisez une seule caractéristique telle que la taille d’un bien en mètres carrés pour estimer son prix, vous pourriez probablement programmer une heuristique qui met en corrélation les biens de plus grande taille à un prix plus élevé.

Graphique montrant un modèle de régression linéaire pour le prix d’une maison.

Mais les choses ne sont pas toujours si simples. De nombreuses variables influencent le prix d’une maison. C’est dans ces cas-là que la conception d’une heuristique simple qui capture les cas de périphérie devient difficile, et où le Machine Learning peut être une meilleure solution.

Avec le machine learning, au lieu de programmer des règles explicitement, vous utilisez les données d’historique pour identifier ces règles en fonction des observations réelles. Les patterns trouvés à l’aide du Machine Learning sont ensuite utilisés pour créer un artefact appelé modèle, afin d’effectuer des prédictions à l’aide de données nouvelles et encore non vues.

ML.NET est un framework de Machine Learning open source et multiplateforme pour .NET. Vous pouvez ainsi utiliser vos compétences .NET existantes, et utiliser les outils qui vous sont familiers (comme Visual Studio) pour entraîner des modèles Machine Learning.

Quels types de problèmes puis-je résoudre en utilisant Model Builder ?

Vous pouvez utiliser Model Builder pour résoudre de nombreux problèmes de Machine Learning courants, tels que :

  • Catégorisation des données :organiser des articles d’actualité par rubrique.
  • Prédiction d’une valeur numérique : estimation du prix d’un bien immobilier.
  • Regroupement d’éléments avec des caractéristiques similaires : segmenter les clients.
  • Recommandation d’éléments :films recommandés.
  • Classification d’images :étiqueter une image en fonction de son contenu.
  • Détection d’objets dans une image : détecter les piétons et les bicyclettes à une intersection.

Comment puis-je créer des modèles en utilisant Model Builder ?

En général, le processus d’ajout de modèles Machine Learning à vos applications se compose de deux étapes : l’entraînement et la consommation.

Entrainement

L’entraînement est le processus qui consiste à appliquer des algorithmes à des données d’historique pour créer un modèle qui capture les modèles sous-jacents. Vous pouvez ensuite utiliser ce modèle pour effectuer des prédictions sur de nouvelles données.

Model Builder utilise le Machine Learning automatisé (AutoML) pour rechercher le meilleur modèle pour vos données. AutoML automatise le processus d’application du machine learning aux données. Vous pouvez exécuter une expérience AutoML sur un jeu de données pour effectuer une itération sur différentes transformations de données, algorithmes de Machine Learning et paramètres, puis sélectionner le meilleur modèle.

Vous n’avez pas besoin d’une expertise en machine learning pour utiliser Model Builder. Il vous suffit de quelques données et d’un problème à résoudre.

Le processus d’entraînement du modèle se compose des étapes suivantes :

  1. Choisir un scénario : quel problème essayez-vous de résoudre ? Le scénario que vous choisirez dépend de vos données et de ce que vous essayez de prédire.
  2. Choisir un environnement : où voulez-vous entraîner votre modèle ? Selon les ressources de calcul disponibles, le coût, les exigences de confidentialité et d’autres facteurs, vous pouvez choisir d’entraîner des modèles localement sur votre ordinateur ou dans le cloud.
  3. Charger vos données : chargez le jeu de données à utiliser pour l'entraînement. Définissez les colonnes que vous souhaitez prédire, puis choisissez celles que vous souhaitez utiliser comme entrées pour votre prédiction.
  4. Entraîner votre modèle : laissez AutoML choisir le meilleur algorithme pour votre jeu de données en fonction du scénario que vous avez choisi.
  5. Évaluer votre modèle : utilisez des métriques pour évaluer les performances de votre modèle et effectuer des prédictions sur de nouvelles données.

Consommation

Une fois que vous avez entraîné un modèle Machine Learning, il est temps de l’utiliser pour effectuer des prédictions. La consommation est le processus qui consiste à utiliser un modèle Machine Learning entraîné pour effectuer des prédictions sur des données nouvelles et encore jamais vues. Avec Model Builder, vous pouvez utiliser des modèles Machine Learning à partir de projets .NET nouveaux et existants.

Dans ML.NET, les modèles Machine Learning sont sérialisés et enregistrés dans un fichier. Le fichier de modèle peut ensuite être chargé dans n’importe quelle application .NET, et utilisé pour effectuer des prédictions via des API ML.NET. Parmi ces types d’applications, citons :

  • API web ASP.NET Core
  • Azure Functions
  • Blazor
  • Windows Presentation Foundation (WPF) ou Windows Forms (WinForms)
  • Console
  • Bibliothèque de classes

Dans l’unité suivante, vous découvrirez le processus d’entraînement d’un modèle Machine Learning dans Model Builder.