Hoe een Machine Learning Studio-model (klassiek) vordert van een experiment naar een webservice

VAN TOEPASSING OP: Machine Learning Studio (klassiek) Azure Machine Learning

Belangrijk

De ondersteuning voor Azure Machine Learning-studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden om vóór die datum over te stappen naar Azure Machine Learning.

Vanaf 1 december 2021 kunt u geen nieuwe resources voor Azure Machine Learning-studio (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u de bestaande resources van Azure Machine Learning-studio (klassiek) blijven gebruiken.

• Zie informatie over het verplaatsen van machine learning-projecten van ML Studio (klassiek) naar Azure Machine Learning.
• Meer informatie over Azure Machine Learning

De documentatie van ML-studio (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet meer bijgewerkt.

Machine Learning Studio (klassiek) biedt een interactief canvas waarmee u een experiment kunt ontwikkelen, uitvoeren, testen en herhalen dat een voorspellend analysemodel vertegenwoordigt. Er zijn diverse modules beschikbaar die het volgende kunnen doen:

• Gegevens invoeren in uw experiment
• De gegevens bewerken
• Een model trainen met behulp van machine learning-algoritmen
• Het model beoordelen
• De resultaten evalueren
• Uiteindelijke uitvoerwaarden

Zodra u tevreden bent met uw experiment, kunt u het implementeren als een Machine Learning-webservice (klassiek) of een Azure Machine Learning-webservice, zodat gebruikers deze nieuwe gegevens kunnen verzenden en resultaten kunnen ontvangen.

In dit artikel geven we een overzicht van de mechanica van de voortgang van uw Machine Learning-model van een ontwikkelingsexperiment naar een ge operationaliseerde webservice.

Notitie

Er zijn andere manieren om machine learning-modellen te ontwikkelen en te implementeren, maar dit artikel is gericht op het gebruik van Machine Learning Studio (klassiek). Als u bijvoorbeeld een beschrijving wilt lezen van het maken van een klassieke voorspellende webservice met R, raadpleegt u het blogbericht Build & Deploy Predictive Web Apps using RStudio and Azure Machine Learning-studio.

Hoewel Machine Learning Studio (klassiek) is ontworpen om u te helpen bij het ontwikkelen en implementeren van een voorspellend analysemodel, kunt u Studio (klassiek) gebruiken om een experiment te ontwikkelen dat geen voorspellend analysemodel bevat. Een experiment kan bijvoorbeeld alleen gegevens invoeren, bewerken en vervolgens de resultaten uitvoeren. Net als bij een voorspellend analyseexperiment kunt u dit niet-voorspellende experiment implementeren als een webservice, maar het is een eenvoudiger proces omdat het experiment geen machine learning-model traint of scoret. Hoewel het niet gebruikelijk is om Studio (klassiek) op deze manier te gebruiken, nemen we het op in de discussie, zodat we een volledige uitleg kunnen geven over hoe Studio (klassiek) werkt.

Een voorspellende webservice ontwikkelen en implementeren

Hier volgen de fasen die een typische oplossing volgt wanneer u deze ontwikkelt en implementeert met behulp van Machine Learning Studio (klassiek):

Afbeelding 1: Fasen van een typisch voorspellend analysemodel

Het trainingsexperiment

Het trainingsexperiment is de eerste fase van het ontwikkelen van uw webservice in Machine Learning Studio (klassiek). Het doel van het trainingsexperiment is om u een plek te geven voor het ontwikkelen, testen, herhalen en uiteindelijk trainen van een machine learning-model. U kunt zelfs meerdere modellen tegelijk trainen terwijl u zoekt naar de beste oplossing, maar als u klaar bent met experimenteren, selecteert u één getraind model en elimineert u de rest van het experiment. Zie Een predictive analytics-oplossing ontwikkelen voor kredietrisicobeoordeling in Machine Learning Studio (klassiek) voor een voorbeeld van het ontwikkelen van een voorspellend analyseexperiment.

Het voorspellende experiment

Zodra u een getraind model in uw trainingsexperiment hebt, klikt u op Webservice instellen en selecteert u Voorspellende webservice in Machine Learning Studio (klassiek) om het proces van het converteren van uw trainingsexperiment naar een voorspellend experiment te starten. Het doel van het voorspellende experiment is om uw getrainde model te gebruiken om nieuwe gegevens te scoren, met als doel uiteindelijk operationeel te worden als een Azure-webservice.

Deze conversie wordt voor u uitgevoerd door de volgende stappen:

• Converteer de set modules die worden gebruikt voor training naar één module en sla deze op als getraind model
• Verwijder overbodige modules die niet zijn gerelateerd aan scoren
• Invoer- en uitvoerpoorten toevoegen die door de uiteindelijke webservice worden gebruikt

Er zijn mogelijk meer wijzigingen die u wilt aanbrengen om uw voorspellende experiment gereed te maken voor implementatie als webservice. Als u bijvoorbeeld wilt dat de webservice slechts een subset met resultaten uitvoert, kunt u vóór de uitvoerpoort een filtermodule toevoegen.

In dit conversieproces wordt het trainingsexperiment niet verwijderd. Wanneer het proces is voltooid, hebt u twee tabbladen in Studio (klassiek): één voor het trainingsexperiment en één voor het voorspellende experiment. Op deze manier kunt u wijzigingen aanbrengen in het trainingsexperiment voordat u uw webservice implementeert en het voorspellende experiment opnieuw opbouwen. U kunt ook een kopie van het trainingsexperiment opslaan om een andere regel experimenten te starten.

Notitie

Wanneer u op Predictive Web Service klikt, start u een automatisch proces om uw trainingsexperiment te converteren naar een voorspellend experiment. Dit werkt in de meeste gevallen goed. Als uw trainingsexperiment complex is (u hebt bijvoorbeeld meerdere trajecten voor training die u samenvoegt), kunt u deze conversie liever handmatig uitvoeren. Zie Uw model voorbereiden voor implementatie in Machine Learning Studio (klassiek) voor meer informatie.

De webservice

Zodra u tevreden bent dat uw voorspellende experiment gereed is, kunt u uw service implementeren als een klassieke webservice of een nieuwe webservice op basis van Azure Resource Manager. Als u uw model wilt operationeel maken door het te implementeren als een klassieke Machine Learning-webservice, klikt u op Webservice implementeren en selecteert u Webservice implementeren [klassiek]. Als u wilt implementeren als nieuwe Machine Learning-webservice, klikt u op Webservice implementeren en selecteert u Webservice implementeren [Nieuw]. Gebruikers kunnen nu gegevens naar uw model verzenden met behulp van de REST API van de webservice en de resultaten terug ontvangen. Zie Een Machine Learning-webservice gebruiken voor meer informatie.

Het niet-typische geval: een niet-voorspellende webservice maken

Als uw experiment geen voorspellend analysemodel traint, hoeft u niet zowel een trainingsexperiment als een score-experiment te maken. Er is slechts één experiment en u kunt het implementeren als een webservice. Machine Learning Studio (klassiek) detecteert of uw experiment een voorspellend model bevat door de modules te analyseren die u hebt gebruikt.

Nadat u uw experiment hebt herhalen en tevreden bent met het experiment:

1. Klik op Webservice instellen en selecteer Opnieuw trainen webservice : invoer- en uitvoerknooppunten worden automatisch toegevoegd
2. Klik op Uitvoeren
3. Klik op Webservice implementeren en selecteer Webservice implementeren [klassiek] of Webservice implementeren [Nieuw] afhankelijk van de omgeving waarnaar u wilt implementeren.

Uw webservice is nu geïmplementeerd en u kunt deze openen en beheren, net als een voorspellende webservice.

Uw webservice bijwerken

Nu u uw experiment hebt geïmplementeerd als een webservice, wat moet u doen als u het wilt bijwerken?

Dat hangt af van wat u moet bijwerken:

U wilt de invoer of uitvoer wijzigen of u wilt wijzigen hoe de webservice gegevens bewerkt

Als u het model niet wijzigt, maar alleen wijzigt hoe de webservice gegevens verwerkt, kunt u het voorspellende experiment bewerken en vervolgens op Webservice implementeren klikken en opnieuw Webservice implementeren [klassiek] of Webservice implementeren [Nieuw] selecteren. De webservice is gestopt, het bijgewerkte voorspellende experiment wordt geïmplementeerd en de webservice wordt opnieuw gestart.

Hier volgt een voorbeeld: Stel dat uw voorspellende experiment de hele rij invoergegevens retourneert met het voorspelde resultaat. U kunt besluiten dat de webservice alleen het resultaat retourneert. U kunt dus een module Projectkolommen toevoegen aan het voorspellende experiment, vlak voor de uitvoerpoort, om andere kolommen dan het resultaat uit te sluiten. Wanneer u op Webservice implementeren klikt en webservice implementeren [klassiek] selecteert of webservice [nieuw] opnieuw implementeert, wordt de webservice bijgewerkt.

U wilt het model opnieuw trainen met nieuwe gegevens

Als u uw machine learning-model wilt behouden, maar u het opnieuw wilt trainen met nieuwe gegevens, hebt u twee opties:

1. Het model opnieuw trainen terwijl de webservice wordt uitgevoerd: als u uw model opnieuw wilt trainen terwijl de voorspellende webservice wordt uitgevoerd, kunt u dit doen door een aantal wijzigingen aan te brengen in het trainingsexperiment om het een hertrainingsexperiment te maken, kunt u het implementeren als een webservice voor opnieuw trainen. Zie Machine Learning-modellen programmatisch opnieuw trainen voor instructies over hoe u dit doet.

2. Ga terug naar het oorspronkelijke trainingsexperiment en gebruik verschillende trainingsgegevens om uw model te ontwikkelen. Uw voorspellende experiment is gekoppeld aan de webservice, maar het trainingsexperiment is op deze manier niet rechtstreeks gekoppeld. Als u het oorspronkelijke trainingsexperiment wijzigt en op Webservice instellen klikt, wordt er een nieuw voorspellend experiment gemaakt dat, wanneer deze wordt geïmplementeerd, een nieuwe webservice maakt. De oorspronkelijke webservice wordt niet alleen bijgewerkt.

   Als u het trainingsexperiment wilt wijzigen, opent u het en klikt u op Opslaan als om een kopie te maken. Hierdoor blijft het oorspronkelijke trainingsexperiment, voorspellend experiment en webservice intact. U kunt nu een nieuwe webservice maken met uw wijzigingen. Zodra u de nieuwe webservice hebt geïmplementeerd, kunt u beslissen of u de vorige webservice wilt stoppen of naast de nieuwe wilt laten werken.

U wilt een ander model trainen

Als u wijzigingen wilt aanbrengen in uw oorspronkelijke voorspellende experiment, zoals het selecteren van een ander machine learning-algoritme, het proberen van een andere trainingsmethode, enzovoort, moet u de tweede procedure volgen die hierboven wordt beschreven voor het opnieuw trainen van uw model: open het trainingsexperiment, klik op Opslaan als om een kopie te maken en start vervolgens het nieuwe pad voor het ontwikkelen van uw model. het voorspellende experiment te maken en de webservice te implementeren. Hiermee maakt u een nieuwe webservice die niet is gerelateerd aan de oorspronkelijke service. U kunt bepalen welke of beide, om actief te blijven.

Volgende stappen

Zie de volgende artikelen voor meer informatie over het proces van ontwikkelen en experimenteren:

• het experiment converteren: uw model voorbereiden op implementatie in Machine Learning Studio (klassiek)
• de webservice implementeren - Een Machine Learning-webservice implementeren
• het model opnieuw trainen - Machine Learning-modellen programmatisch opnieuw trainen

Zie voor voorbeelden van het hele proces:

• Machine learning-zelfstudie: Uw eerste experiment maken in Machine Learning Studio (klassiek)
• Overzicht: Een predictive analytics-oplossing ontwikkelen voor kredietrisicobeoordeling in Machine Learning Studio (klassiek)