Entenda como o modelo será consumido
Imagine que você é um cientista de dados e treina modelos de aprendizado de máquina. Normalmente, você segue seis etapas para planejar, treinar, implantar e monitorar o modelo:
- Definir o problema: Decida o que o modelo deve prever e quando é bem-sucedido.
- Obter os dados: encontre fontes de dados e obtenha acesso.
- Preparar os dados: explore os dados. Limpe e transforme os dados com base nos requisitos do modelo.
- Treinar o modelo: Escolha um algoritmo e valores de hiperparâmetros com base em tentativa e erro.
- Integrar o modelo: implante o modelo em um ponto de extremidade para gerar previsões.
- Monitore o modelo: acompanhe o desempenho do modelo.
Nota
O diagrama é uma representação simplificada do processo de aprendizagem automática. Normalmente, o processo é iterativo e contínuo. Por exemplo, ao monitorar o modelo, você pode decidir voltar e treinar novamente o modelo.
Você deve planejar como integrar o modelo, pois isso pode afetar como você treina o modelo ou quais dados de treinamento você usa. Para integrar o modelo, você precisa implantar um modelo em um ponto de extremidade. Você pode implantar um modelo em um ponto de extremidade para previsões em tempo real ou em lote.
Implantar um modelo em um ponto de extremidade
Quando você treina um modelo, o objetivo geralmente é integrar o modelo em um aplicativo.
Para integrar facilmente um modelo em um aplicativo, você pode usar pontos de extremidade. Simplificando, um ponto de extremidade pode ser um endereço da Web que um aplicativo pode chamar para receber uma mensagem de volta.
Com o Azure Machine Learning, você pode implantar seu modelo em um ponto de extremidade. Em seguida, você pode integrar o ponto de extremidade em seu próprio aplicativo e chamar o modelo para obter as previsões no aplicativo onde você deseja visualizá-las.
Ao implantar um modelo em um ponto de extremidade, você tem duas opções:
- Obtenha previsões em tempo real
- Obter previsões em lote
Obtenha previsões em tempo real
Se você quiser que o modelo marque quaisquer novos dados à medida que chegam, você precisa de previsões em tempo real.
As previsões em tempo real são frequentemente necessárias quando um modelo é utilizado por uma aplicação, como uma aplicação móvel ou um website.
Imagine que você tem um site que contém seu catálogo de produtos:
- Um cliente seleciona um produto em seu site, como uma camisa.
- Com base na seleção do cliente, o modelo recomenda outros itens do catálogo de produtos imediatamente. O site exibe as recomendações do modelo.
Um cliente pode selecionar um produto na loja online a qualquer momento. Você quer que o modelo encontre as recomendações quase imediatamente. O tempo que a página web leva para carregar e exibir os detalhes da camisa é o tempo que deve levar para obter as recomendações ou previsões. Então, quando a camisa é exibida, as recomendações também podem ser exibidas.
Obter previsões em lote
Se você quiser que o modelo marque novos dados em lotes e salve os resultados como um arquivo ou em um banco de dados, precisará de previsões em lote.
Por exemplo, você pode treinar um modelo que prevê as vendas de suco de laranja para cada semana futura. Ao prever as vendas de suco de laranja, você pode garantir que a oferta seja suficiente para atender à demanda esperada.
Imagine que você está visualizando todos os dados históricos de vendas em um relatório. Convém incluir as vendas previstas no mesmo relatório.
Embora o suco de laranja seja vendido ao longo do dia, você só quer calcular a previsão uma vez por semana. Você pode coletar os dados de vendas ao longo da semana e ligar para o modelo somente quando tiver os dados de vendas de uma semana inteira. Uma coleção de pontos de dados é chamada de lote.