In der heutigen datengesteuerten Landschaft generieren Unternehmen mehr Daten als je zuvor. Mithilfe dieser Daten können wertvolle Erkenntnisse über das Kundenverhalten, die betriebliche Effizienz und andere Bereiche gewonnen werden. Allerdings kann es schwierig sein, diese Daten effektiv zu verwalten und zu analysieren.
Azure Machine Studying bietet eine robuste Plattform, die Unternehmen dabei helfen kann, Arbeitsabläufe für maschinelles Lernen zu orchestrieren, Echtzeitmodelle bereitzustellen und umsetzbare Erkenntnisse zu gewinnen. Azure Machine Studying bietet eine breite Palette an Funktionen, darunter:
- Pipeline-Orchestrierung: Azure Machine Studying kann verwendet werden, um die Schritte in Arbeitsabläufen für maschinelles Lernen zu automatisieren. Dies kann dazu beitragen, die Effizienz und Reproduzierbarkeit von maschinellen Lernprojekten zu verbessern.
- Bereitstellung von Modellen in Echtzeit: Azure Machine Studying kann verwendet werden, um Modelle für maschinelles Lernen in Echtzeit in der Produktion bereitzustellen. Dies ermöglicht es Unternehmen, auf der Grundlage der neuesten Daten Vorhersagen zu treffen und Maßnahmen zu ergreifen.
- Branchenbasierte Anwendungsfälle: Azure Machine Studying wird von einer Vielzahl von Branchen genutzt, um Erkenntnisse aus Daten zu gewinnen. Azure Machine Studying wird beispielsweise im Einzelhandel zur Vorhersage des Kundenverhaltens, im Gesundheitswesen zur Diagnose von Krankheiten und in der Finanzbranche zur Betrugserkennung eingesetzt.
In diesem Artikel werden wir die Schritte untersuchen, die bei der Verwendung von Azure Machine Studying erforderlich sind, um Arbeitsabläufe für maschinelles Lernen zu orchestrieren, Echtzeitmodelle bereitzustellen und umsetzbare Erkenntnisse zu gewinnen. Ich werde auch Codebeispiele bereitstellen.
Hier sind einige zusätzliche Fakten und Hinweise:
- Laut einer aktuellen Studie von IDC wird der globale Markt für maschinelles Lernen bis 2024 voraussichtlich 31,2 Milliarden US-Greenback erreichen.
- Azure Machine Studying ist eine der führenden cloudbasierten Plattformen für maschinelles Lernen. Es wird von einer Vielzahl von Organisationen verwendet, darunter Microsoft, IBM und Amazon.
- Azure Machine Studying bietet eine breite Palette an Funktionen, darunter Datenvorbereitung, Modelltraining, Modellbewertung und Modellbereitstellung.
- Azure Machine Studying ist einfach zu verwenden, selbst für diejenigen, die noch keine Erfahrung mit maschinellem Lernen haben.
Wir werden die Schritte dieses Prozesses untersuchen, Codebeispiele bereitstellen und branchenbasierte Anwendungsfälle vorstellen.
Schritt 1: Richten Sie einen Azure Machine Studying-Arbeitsbereich ein
Erstellen Sie zunächst einen neuen Azure Machine Studying-Arbeitsbereich mit dem folgenden Code:
from azureml.core import Workspace# Specify your Azure subscription, useful resource group, and workspace particulars
subscription_id = "<your-subscription-id>"
resource_group = "<your-resource-group>"
workspace_name = "<your-workspace-name>"
workspace_region = "<your-workspace-region>"
# Create the workspace
workspace = Workspace.create(
identify=workspace_name,
subscription_id=subscription_id,
resource_group=resource_group,
location=workspace_region,
exist_ok=True
)
Schritt 2: Erstellen und registrieren Sie Modelle für maschinelles Lernen
Entwickeln Sie Ihre Modelle für maschinelles Lernen mit Ihrem bevorzugten Framework. Mit scikit-learn können Sie beispielsweise ein Modell trainieren und wie folgt registrieren:
from azureml.core import Mannequin# Practice your mannequin and reserve it
# Register the educated mannequin
mannequin = Mannequin.register(
workspace=workspace,
model_name="<your-model-name>",
model_path="<your-model-path>",
description="<your-model-description>",
tags={"key": "worth"},
model_framework=Mannequin.Framework.SCIKITLEARN,
model_framework_version="<your-framework-version>"
)
Schritt 3: Definieren und erstellen Sie eine Azure Machine Studying-Pipeline
Um eine Azure Machine Studying-Pipeline zu erstellen, definieren Sie deren Schritte und Abhängigkeiten. Hier ist ein Beispiel mit dem Python SDK:
from azureml.core import Experiment, Pipeline, ScriptRunConfig
from azureml.pipeline.steps import PythonScriptStep# Create an experiment
experiment_name = "<your-experiment-name>"
experiment = Experiment(workspace, experiment_name)
# Outline pipeline steps
step1 = PythonScriptStep(
script_name="data_preprocessing.py",
source_directory="./pipeline_scripts",
compute_target="<your-compute-target>",
inputs=[],
outputs=[],
arguments=[],
runconfig=ScriptRunConfig()
)
step2 = PythonScriptStep(
script_name="model_training.py",
source_directory="./pipeline_scripts",
compute_target="<your-compute-target>",
inputs=[],
outputs=[],
arguments=[],
runconfig=ScriptRunConfig()
)
# Create the pipeline
pipeline = Pipeline(workspace, steps=[step1, step2])
# Submit the pipeline as an experiment
pipeline_run = experiment.submit(pipeline)
Schritt 4: Integrieren Sie Bewertungsschritte in Echtzeit
Um das Modell als Echtzeit-Bewertungsdienst bereitzustellen, fügen Sie der Pipeline Bereitstellungsschritte hinzu. Hier ist ein Beispiel mit Azure Container Situations (ACI):
from azureml.core.webservice import AciWebservice, Webservice
from azureml.pipeline.steps import EstimatorStep
from azureml.practice.dnn import TensorFlow# Outline the scoring script
scoring_script = "rating.py"
# Create an estimator for deploying the mannequin
estimator = TensorFlow(
source_directory="<your-source-directory>",
script_params={},
compute_target="<your-compute-target>",
entry_script=scoring_script,
conda_packages=["numpy", "pandas"]
)
# Create a deployment step
deploy_step = EstimatorStep(
identify="model_deployment",
estimator=estimator,
inputs=[],
compute_target="<your-compute-target>"
)
# Add the deployment step to the pipeline
pipeline.steps.append(deploy_step)
Schritt 5: Bereitstellungsziele konfigurieren
Wählen Sie das geeignete Bereitstellungsziel für Ihren Echtzeit-Scoring-Service. Die Bereitstellung für Azure Kubernetes Service (AKS) kann beispielsweise mit dem folgenden Code erfolgen:
from azureml.core.compute import AksCompute, ComputeTarget# Configure AKS cluster particulars
aks_name = "<your-aks-name>"
aks_config = AksCompute.provisioning_configuration(
agent_count=3,
vm_size="Standard_D2_v2",
location="<your-aks-location>"
)
# Create or retrieve the AKS compute goal
aks_target = ComputeTarget.create(workspace, aks_name, aks_config)
aks_target.wait_for_completion(show_output=True)
Schritt 6: Stellen Sie die Pipeline bereit
Die Bereitstellung der Pipeline für Ihr ausgewähltes Ziel kann mit dem folgenden Code erfolgen:
from azureml.pipeline.core import PublishedPipeline# Publish the pipeline
published_pipeline = pipeline.publish(
identify="<your-published-pipeline-name>",
description="<your-published-pipeline-description>"
)
# Create a pipeline endpoint
pipeline_endpoint = PipelineEndpoint.publish(
workspace=workspace,
identify="<your-pipeline-endpoint-name>",
pipeline=published_pipeline,
description="<your-pipeline-endpoint-description>"
)
# Create a brand new experiment to submit the pipeline
new_experiment = Experiment(workspace, "<your-new-experiment-name>")
pipeline_run = new_experiment.submit(published_pipeline)
Schritt 7: Überwachen und verwalten Sie Ihre Bereitstellungen
Azure Machine Studying bietet Überwachungs- und Verwaltungsfunktionen. Sie können die bereitgestellten Pipelines und Echtzeit-Bewertungsdienste überwachen, indem Sie Metriken und Protokolle anzeigen. Zum Beispiel:
# Get the pipeline endpoint by identify
pipeline_endpoint = PipelineEndpoint.get(workspace, "<your-pipeline-endpoint-name>")# Get the most recent pipeline run from the endpoint
latest_run = pipeline_endpoint.latest_run
# Monitor pipeline metrics
metrics = latest_run.get_metrics()
logs = latest_run.get_all_logs()
# Arrange alerts and notifications
# ...
Abschluss:
Durch die Befolgung der in diesem Artikel beschriebenen Schritte und die Verwendung der bereitgestellten Codebeispiele können Unternehmen Pipelines effizient orchestrieren und Echtzeitmodelle für maschinelles Lernen mit Azure Machine Studying bereitstellen. Dies ermöglicht es Unternehmen, das Potenzial von Echtzeit-Einblicken zu nutzen und ihre Entscheidungsprozesse zu verbessern.
Mit der robusten Plattform von Azure Machine Studying können Unternehmen Finish-to-Finish-Workflows für maschinelles Lernen nahtlos orchestrieren und die kontinuierliche Bereitstellung von Erkenntnissen in Echtzeit sicherstellen. Die Funktionen und Fähigkeiten der Plattform optimieren den Prozess der Pipeline-Orchestrierung und ermöglichen es Unternehmen, Modelle für maschinelles Lernen in Echtzeit effektiv bereitzustellen und zu verwalten.
Durch die Nutzung von Azure Machine Studying können Unternehmen mithilfe von Bereitstellungsoptionen wie Azure Kubernetes Service (AKS) oder Azure Container Situations (ACI) Echtzeit-Bewertungsdienste bereitstellen. Dies ermöglicht sofortige Vorhersagen und ermöglicht es Unternehmen, umgehend auf sich ändernde Marktdynamiken zu reagieren, Anomalien in Echtzeit zu erkennen, Kundenerlebnisse zu personalisieren, Abläufe zu optimieren und proaktive Entscheidungen auf der Grundlage der neuesten Erkenntnisse zu treffen.
Verweise:
