Présentation

  • 5 minutes

Dans ce module, vous apprenez à utiliser AutoML pour entraîner un jeu de données étiqueté et développer un modèle de détection d’objets de production. AutoML est le processus d’automatisation des tâches fastidieuses et itératives de développement du modèle de Machine Learning. Il permet aux scientifiques des données, aux analystes et aux développeurs de créer des modèles Machine Learning à grande échelle, avec efficacité et productivité, tout en maintenant la qualité du modèle. AutoML dans Azure Machine Learning se base sur une innovation de notre division Microsoft Research.

Le développement de modèle Machine Learning traditionnel consomme beaucoup de ressources, nécessitant une connaissance significative du domaine et du temps pour produire et comparer des dizaines de modèles. Avec AutoML, vous accélérez le temps nécessaire pour préparer des modèles Machine Learning à la production avec une grande facilité et efficacité.

Prérequis

Scénario : utiliser AutoML pour entraîner un jeu de données étiqueté et développer un modèle de production

Vous êtes scientifique des données et votre tâche consiste à améliorer l’automatisation dans une usine de fabrication à l’aide de la vision par ordinateur. Votre équipe a terminé le processus de collecte et d’étiquetage des exemples de données d’image. Ce processus est en préparation de l’apprentissage d’un modèle de détection d’objet qui sera utilisé sur le site de fabrication. Vous souhaitez examiner les performances de ce modèle sur différents appareils edge et serveur.

Avec Azure Machine Learning, vous pouvez utiliser AutoML pour créer un modèle à l’aide du Kit de développement logiciel (SDK) Python Azure Machine Learning et le convertir au format ONNX ou Open Neural Network Exchange. Une fois que le modèle est au format ONNX, il peut être exécuté sur diverses plateformes et appareils. Vous allez développer le modèle à l’aide d’un notebook Jupyter s’exécutant sur une instance de calcul qui a été déployée précédemment dans votre environnement de Azure Machine Learning studio. Cela permet à l’équipe de réentraîner facilement un nouveau modèle lorsque de nouveaux exemples de données sont fournis dans le magasin de données associé pour prendre en charge le déploiement continu à l’aide des meilleures pratiques MLOps.

Qu’allez-vous apprendre ?

À la fin de ce module, vous pourrez :

  • Créez des modèles AutoML pour les tâches de vision via le SDK Azure Machine Learning Python.
  • Réalisez une intégration fluide à la fonctionnalité d’étiquetage des données Azure Machine Learning.
  • Optimiser les performances du modèle en spécifiant l’algorithme du modèle et en réglant les hyperparamètres
  • Opérationnalisez à grande échelle en utilisant les fonctionnalités MLOps Azure Machine Learning.
  • Téléchargez le modèle résultant pour l’utiliser dans un déploiement en production.

Quel est l’objectif principal ?

Ce module vous montre comment utiliser AutoML pour entraîner un jeu de données étiqueté et développer un modèle de détection d’objets de production.