Table of Contents
סטודיו Azure Machine Learning Studio
Azure Machine Learning Studio הוא פלטפורמה מבוססת ענן המספקת מדעני נתונים ומהנדסי למידת מכונה עם סביבה משולבת עבור מחזור חיי למידת מכונה מלא.מכיוון נתונים והדרכה לפריסה ולעקב, הפלטפורמה משלבת ממשק גרור-דרופ חזותי עם יכולות קוד מלאות, המאפשר לצוותים לעבוד ביעילות ללא קשר למיומנות הקידוד שלהם.
מה זה Azure Machine Learning Studio?
בבסיסו, Azure Machine Learning Studio הוא פורטל מבוסס אינטרנט המשמש את מטוס הבקרה עבור כל נכסי ML. מדעני נתונים יכולים לגשת למאגרי מידע, ניסויים, צינורות, מודלים, נקודות קצה, ומטרות מחוונים מאחת.הפלטפורמה תומכת הן במחבר חזותי קוד נמוך (באמצעות FLT:0designerFLT:1) ופיתוח קוד ראשון עם Pythons, כלי ויזואלית, שבו הם מעדיפים מערכות הפעלה או כלי אימון ידניים.
הפלטפורמה בנויה על התשתית הגלובלית של Azure, המציעה compute (CPU, GPU, ו- FPGA אשכולs), אחסון נתונים משולב (אזור Blob, Data Lake, SQL), וקישוריות Native לשירותי Azure אחרים כגון Azure Synapse Analytics, Azure DevOps ו-BI. על ידי הסרת פני תשתיות ניהול, Azure ML מאפשר למדענים להתמקד על איכות וערך עסקי במקום משימות תפעוליות.
מי מרוויח מ- Azure ML Studio?
Azure Machine Learning Studio מספק מגוון רחב של תפקידים:
- (FLT:0) מדענים נתונים פיתחו 1:1 , שרוצים סביבה פרודוקטיבית עבור הסתברות מהירה וניסוי, עם גרסה, כניסה, והתאמה מחדש שנבנה.
- (FLT:0) מהנדסי MLHIRLT:1) אשר צריכים לבצע מודלים באמצעות צינורות CI /CD, A / B בדיקות, בזמן אמת או אצווה להפרה.
- (FLT:0) אנליסטטורים עסקיים (PLT) 1 (המכונה: 0) , אשר מנף את AutoML ואת המעצב החזותי כדי ליצור מודלים חיזוי ללא מיומנויות קידוד עמוק.
- [ה]הממשלה, השליטה עלות ומדיניות ביטחון על פני חללי עבודה משותפים.
תכונות מפתח עבור מדעני נתונים
Azure Machine Learning Studio חתמה קבוצה עשירה של תכונות שנועדו להאיץ את זרימת העבודה מקצה לקצה ל-ML. להלן הן היכולות הרלוונטיות ביותר למדענים נתונים.
מעצב חזותי ו-Drop Interface
The FPLT:0 (designertureFLT:1) ב Azure ML Studio מספק בד שבו מדענים נתונים יכולים לבנות צינורות למידת מכונה על ידי גרירת וחיבור מודולים prepacked.כל מודול מייצג טרנספורמציה נתונים, אלגוריתם אימון, או רכיב ניקוד.ה מעצב מבטל קוד רתיחה עבור משימות נפוצות כגון תכונות מדרג, פיצול נתונים, או הערכה מודלים זה גם תומך פייתון מותאם אישית ותסריטאי שימושי במיוחד עבור צוותים עבודה נמוכה.
מודולים מעוצבים מראש ואלגואטרם בחירה
Azure ML Studio כולל מאות מודולים שנבנו מראש המכסים כל שלב בתהליך ה-ML:
- (FLT:0) טרנספורמציה בנתונים: טיהור נתונים נעדרים, נרמל טורים, ליצור תכונות קטגוריות, וליישם שיטות סטטיסטיות.
- (FLT:0) Classification, רגרסיה ואלגוריתמים מקובצים:FLT:1 יערות החלטות, רשתות עצביות, רגרסיה לוגיסטית, k-means, תמיכה במכונות וקטור ועוד.
- (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
- (ב) ⁇ :0) ⁇ : ⁇ : ⁇ 1 (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
מודולים אלה מגובים על ידי יישום אופטימיזציה שיכולים לפעול על קידוד מבוזר, כך מדעני נתונים יכולים בקנה מידה ממאגרי נתונים קטנים עד terabytes מבלי לשנות את הצינור שלהם.
Machine Learning (AutoML)
אחד המאפיינים של Azure ML Studio הוא FLT:0Automated Machine LearningveFLT:1 . AutoML Automate Automate Automate תהליך מייגע של בחירת אלגוריתם, הנדסה תכונה וגמישות יתר-פרמטר כוונון . מדעני נתונים פשוט לספק נתוני הדרכה וציין את מדד היעד (למשל, דיוק, AUC, RMSE). הפלטפורמה מנסה מאות שילובים של אלגוריתמים ומעבדים במהירות כדי למצוא את היכולת הטובה ביותר עבור מדענים מתקדמים, כיצד הם גם שיטות חיפוש נמוכות יותר.
שילוב עם Azure Services
Azure ML Studio אינו קיים בבידוד; הוא משולב עמוק עם מערכת האקולוגית הרחבה יותר של Azure:
- (ב) ,0אזור (ב) אחסון של אג"ח ו-Blob StorageFover-1) עבור אחסון נתונים מעובדים ומעובדים.
- (ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
- (ב) DevOps ו- GitHubrovalLT:1) עבור צינורות MLOps, המאפשר שילוב מתמשך ופריסת מודלים.
- (ב) ,0üräernetes Service (AKS)IRLT) 1 לפריסת גבוה, חוסר יכולת נמוכה בנקודת קצה.
- (ב) ,0ür ,DBFLT:1) עבור הגשת תחזיות ביישומים מבוזרים בעולם.
- (ב) ,0) Power BIigFLT:1 (בשיתוף תחזיות ML ישירות לדיווחים עסקיים.
שילובים אלה מתכוונים שברגע שמודל נבנה, ניתן לפרוס אותו לזרימות עבודה עם חיכוך מינימלי.
יכולת AI אחראית
(המדע של נתונים מודרניים חייב לשקול הוגנות, שקיפות וחשבונאות. Azure ML Studio כולל חבילת ההרחבה:0) כלי AIREFLT:1 המסייעים למדענים להעריך ולצמצם את ההטיה, להסביר התנהגות המודל, ולהבטיח עמידה ב- (FLT:2 Model Affairability AffairFLT) מספק תכונה גלובלית ומקומית באמצעות טכניקות כגון SHAP ו-Firetmuation Index, ו-Financialation Index to Recognize.
סטודיו Azure Machine Learning Studio
כדי להתחיל להשתמש ב- Azure Machine Learning Studio, מדעני נתונים צריכים לעקוב אחר זרימת עבודה מובנת המכסה את הגדרת הסביבה, ניהול נתונים, מודלים ופריסה.
הקמת סביבת עבודה של Azure ML
כל פרויקט ב- Azure ML Studio מתחיל עם FLT:0workspaceFLT:1 [A Workspace] הוא המשאב העליון שקבוצות יחד את כל הניסויים, הנתונים, מטרות מותאמות, מודלים ופריסות. יצירת סביבת עבודה דורשת מנוי Azure וקבוצת משאבים.הפורטל Azure מספק מכשף מודרך, או מדעני נתונים יכולים ליישר תוכנית עבודה מהירה באמצעות PythonF, ברגע ש- SDK יכול ליצור את כל הפעילויות החדשות של ה-DP.
הכנת נתונים ו Ingestion
ניתן לספוג נתונים לתוך Azure ML Studio ממקורות מרובים.הפלטפורמה תומכת:
- הסרת קבצים מקומיים (CSV, Parkt, JSON) ישירות דרך UI.
- יצירת ההרחבה (FLT:0)datahousesFLT:1 אשר מתייחסת לחשבונות אחסון חיצוניים (Blob, ADLS Gen2, SQL Database).
- ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
(ב) כאשר הנתונים נגישים, המעצב מספק מודולים לניקוי נתונים וההכנה.לדוגמה, ה-FLT:0Clean Missing DataFLT:1 מודול מטפל בערכי אפס באמצעות הסרת, כלומר / אימפולס ביניים, או החלפת מותאם אישית.
לבנות מודל עם המעצב
לבנות מודל באופן ויזואלי:
- גרור מודול של Dataset על הבד המעצב ולחבר אותו לנתוני הרשום שלך.
- הוסף את המודול של ההרחבה:0 (Educalische DataFLT:1) כדי לחלק את הנתונים להכשרה ובדיקות (למשל, 80/20).
- בחרו מודול אלגוריתם כגון:0 (שני-כיתה) עץ ההחלטה בעל 2 כוכבים (EfLT:1 או FLT:2Linear RegressionFLT 3: 3) ומחבר אותו לתפוקה של נתוני האימון.
- הוסף דגם ההרחבה (FLT:0)Train ModelFLT:1 ומחבר את האלגוריתם ואת נתוני האימון.
- חיבור המודל המוכשר ל-FLT:0Score Modelph1
- כרך ראשון (ב) ,0) , כרך ראשון (ב) כדי ליצור מדדי ביצועים.
- (ב) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
המעצב באופן אוטומטי מזין את כל המדדים, הפרמטרים והפלטים במרחב העבודה, ומאפשר התאמה והשוואה בין ריצה.
אימון בקנה מידה עם מטרות
עבור נתונים גדולים יותר או מודלים מורכבים יותר, מדעני נתונים צריכים להשתמש אשכולות (FLT:0) compute אשכולsFLT:1 . Azure ML Studio תומך הן חד-פעמיים ורב-נודה עם CPU או GPU מקרים. Clusters יכול להיות מוגדר להיקף אוטומטי על בסיס ביקוש עבודה, הבטחת יעילות עלויות. עבור משימות למידה עמוקה, מדעני נתונים יכולים לספק אשכולות GPU (NC, ND, , , , , ⁇ , , , , , ⁇ ⁇ , , , , , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
יצירת מודל כשירות
לאחר אימון והערכה, המודל יכול להיות פרוס כנקודת זמן או אצווה בנקודת קצה הקצוב.תהליך הפריסה באולפן הוא פשוט:
- לרשום את המודל המוכשר במרשם מודל סביבת העבודה.
- צור תסריט (ראה פרק 1: 1) המדגיש את המודל וחוזר תחזיות.
- Define a Environment (Condaתלויים, Docker image) או להשתמש בסביבה מחוספסת.
- (הופנה מהדף ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
- אימות קונדס (key-based or Azure AD) והגדרות פריסה.
- Deploy ולקבל כתובת URL REST Endpoint שניתן לצרוך על ידי יישומים.
Azure ML Studio תומך גם בגירסת מודל ו- A/B עם פיצול תנועה, המאפשרת גלגולים בטוחים ובדיקות צנריות.
שיטות עבודה טובות עבור מדעני נתונים באמצעות Azure ML Studio
כדי להפיק את המרב מהפלטפורמה, מדעני נתונים צריכים לאמץ את הפעולות הבאות.
איכות נתונים וגרסה
תמיד פרופיל ולאמת נתונים לפני אימון. השתמש ב-FLT:0Data Drift MonitorFLT:1 כדי לעקוב אחר שינויים בהתפלגות לאורך זמן. לרשום נתונים עם מספרים גרסה כך שניתן לשחזר אותם במדויק.
מעקב אחר ניסוי ושילוב
צור בנפרד (FLT:0)ניסויים ב- 1:1 עבור בעיות שונות או בדיקות השערות. השתמש ב- SDK או מעצב כדי להזין מדדים, פרמטרים וממצאים .מרחב העבודה באופן אוטומטי לוכד היסטוריה, מה שהופך את זה קל להשוות תוצאות ולאחזר את המודל הטוב ביותר.T פועל עם metadata משמעותי (למשל, מקור נתונים, תכונה) עבור retval מאוחר יותר.
Hyperparameter Tuning
להימנע מחיפוש ידני של מודלים מורכבים. השתמש באסטרטגיות של Azure ML:0 [HyperDriveFLT:1] שירות, אשר תומך אקראי, Bayesian ואסטרטגיות דגימה מבוססות להקות. HyperDrive יכול גם להשתמש במדיניות סיום מוקדם כדי לעצור ביצועים נמוכים מוקדם, לחסוך זמן compute. Integrate HyperDrive עם AutoML עבור חיפוש יעיל יותר.
מודל Interpretability
תמיד להוסיף הסברים למודל, במיוחד עבור תעשיות מוסדרות. השתמש ב-Widgets הפירושים כדי ליצור חשיבות גלובלית ומקומית לתכונת תכונה. Share Explainer לוחצים עם בעלי עניין כדי לבנות אמון.Azure ML Studio משתלב עם FLT:0APSHSHIRLT 1 ו-FLT:2LIMEFLT 3 מתוך הקופסה, כך שאין צורך בקוד נוסף.
המונחים: Compute Targets
התחל עם מקרה קטן של פיתוח, ולאחר מכן לעבור אל אשכול עבור אימון הייצור. השתמש ב-VMs נמוך עבור עבודות אצווה כדי להפחית את העלות. Set idle timeouts כדי להתמודד עם compate באופן אוטומטי. Monitor עלויות באמצעות Azure Cost Management ולהגדיר תקציבים או התראות עבור סביבת עבודה.
Azure ML Studio לעומת פלטפורמות אחרות של Cloud ML
מדעני נתונים משווים לעתים קרובות את Azure ML Studio עם מתחרים כמו Google Vertex AI ו- Amazon SageMaker. הנה איך הם מערערמים.
השוואות עם Google Vertex AI
Google Vertex AI מציעה פלטפורמה מאוחדת עם AutoML, הכשרה אישית, ו-Industry חיזוי נקודות קצה. Vertex AI מצטיין בשילוב עם שירותי Google Cloud כמו BigQuery ו- TensorFlow. Azure ML Studio, עם זאת, מספק מעצב חזותי עשיר יותר עבור לא קודרים וקשרים עמוקים יותר למערכת האקולוגית של Microsoft (Office 365, Power, BI).
השוואה עם אמזון סייג'ר
אמזון סייג'ר היא שירות ML בוגר עם תיעוד נרחב וקבוצה רחבה של אלגוריתמים בנויים-ב.הכוח של סייג'ר נמצא באינטגרציה העמוקה שלה עם תשתיות AWS ואת שירות תוויות האמת שלה. Azure ML Studio תואמים סייג'ר על תכונות כמו AutoML, צינורות, ומלופס, ומציעה יותר אינטואיטיבית UI למעקב אחר ניסויים וניהול נתונים.הבחירה לעתים קרובות יורדת לספק ענן מראש אירגון לפני .
מתי לבחור Azure ML Studio
Azure ML Studio הוא הבחירה הטובה ביותר כאשר:
- הצוות שלך כבר משתמש ב- Azure עבור ניתוח נתונים, אחסון או ניתוח נתונים.
- אתה צריך נתיב קוד נמוך עבור מדעני נתונים או אנליסטים עסקיים ללא מיומנויות תכנות עמוקות.
- AI וזיהוי הטיה אחראי הם דרישות עיקריות.
- אתה רוצה שילוב הדוק עם Power BI, Dynamics 365, או Microsoft 365 יישומים.
- אתה בונה צינורות MLOps באמצעות Azure DevOps או GitHub Actions.
מקרים אמיתיים לשימוש
Azure Machine Learning Studio מוחל על פני תעשיות לפתרון בעיות מורכבות בחיזוי.כאן שלוש דוגמאות נפוצות.
תחזוקה חיזוי
חברת ייצור משתמשת בנתונים של חיישן ממכשירים כדי לחזות כישלונות לפני שהם מתרחשים.עם Azure ML Studio, מדעני נתונים מזרימים את נתוני IoT ל- Azure Event Hubs, לאחסן אותו ב- Blob Storage, ולהשתמש במעצב כדי לבנות מודל של חיזוי זמן.המודל מופרס ל-AKS וגורם לאזהרות ב- Azure Monitor.זה מקטין את עלויות התחזוקה והתחזוקה ללא תכנון.
לקוח צ'ור חיזוי
ספק תקשורת מנתח יומני שיחות, היסטוריה של חיוב, ואינטראקציה של לקוחות כדי לזהות לקוחות בסיכון גבוה.שימוש ב- AutoML, צוות מדעי הנתונים מאמן מודל סיווג אשר משיג זיכרון גבוה.המודל הוא כבר נקודת קצה בזמן אמת המשולבת במערכת CRM באמצעות Power Automate. Retention מציעים נוצרים באופן אוטומטי עבור לקוחות בסיכון.
גילוי הונאה
מוסד פיננסי מעבד מיליוני עסקאות מדי יום. מדעני נתונים משתמשים ב- Azure ML Studio Python כדי להכשיר מודלים עץ מודבק על נתוני עסקה היסטוריים עם תכונות מונדסות.מודלים פרוסים בצנרת ניקוד שפועלת כל כמה דקות, ועסקאות חשודות מחוספסות לבדיקה ידנית.הסבירות מסייעות לרגולטורים להבין את הסיבה מאחורי כל התראה.
מסקנה
Azure Machine Learning Studio מספק סביבה מקיפה, מדרגית וידידותית למשתמש עבור מדעני נתונים כדי לבנות ולהפיץ מודלים למידת מכונה.שילוב שלה של מעצב חזותי, ML אוטומטיים, ML, אינטגרציה עמוקה של Azure, וכלים AI אחראים הופך אותה לבחירה חזקה עבור קבוצות של כל רמות המיומנות.על ידי ביצוע שיטות הטובות ביותר לניהול נתונים, מעקב, פריסה, נתונים יכולים להאיץ את זרימת העבודה שלהם ולספק מודלים באיכות גבוהה כי הם מניעים את ההשפעה של Azure בפועל עבור ניהול נתונים בהצלחה עבור פרויקטים מודרניים, או פיתוח, או ניהול נתונים, אם אתה צריך זמן עבודה, או פיתוח, או פיתוח יעיל של Azure, או פיתוח יעיל של Azure.