Искусственный интеллект предлагает компаниям уникальную возможность трансформировать свою деятельность: от приложений искусственного интеллекта, способных прогнозировать и планировать техническое обслуживание оборудования, до интеллектуальных приложений НИОКР, способных оценить успех будущих лекарств. Однако для того, чтобы воспользоваться этой возможностью, компании должны научиться успешно создавать, обучать, тестировать и продвигать сотни моделей машинного обучения в производственной среде надежными, объяснимыми и воспроизводимыми способами.

Во время предстоящей сессии Обучение и внедрение интерпретируемых моделей машинного обучения в ODSC East Франческа представит некоторые общие проблемы развертывания моделей машинного обучения и обсудит следующие моменты, чтобы вы могли решить некоторые из них. эти проблемы:

  • Как выбрать правильные инструменты для успешного развертывания модели.
  • Как использовать автоматизированное машинное обучение для оптимизации процесса развертывания машинного обучения.
  • Как можно использовать наборы инструментов для интерпретации моделей для создания надежных, объяснимых и повторяемых конвейеров машинного обучения.

Источник: www.aka.ms/AzureMLservice

1. Как выбрать правильные инструменты для успешного развертывания модели

Построение, обучение, тестирование и, наконец, развертывание моделей машинного обучения часто является утомительным и медленным процессом для компаний, которые хотят трансформировать свою деятельность с помощью ИИ. В первой части этого занятия вы узнаете несколько рекомендаций о том, как компания может выбрать правильные инструменты для успешного развертывания модели. Франческа продемонстрирует этот рабочий процесс с помощью Машинного обучения Azure, но его также можно использовать с любым продуктом машинного обучения по вашему выбору.

Рабочий процесс развертывания модели должен основываться на следующих трех простых шагах:

  1. Зарегистрируйте модель - регистрация модели - это логический контейнер для одного или нескольких файлов, составляющих вашу модель. Например, если у вас есть модель, которая хранится в нескольких файлах, вы можете зарегистрировать их как одну модель в рабочей области. После регистрации вы можете загрузить или развернуть зарегистрированную модель и получить все файлы, которые были зарегистрированы.
  2. Подготовка к развертыванию (укажите активы, использование, цель вычислений) - чтобы развернуть модель как веб-службу, вы должны создать конфигурацию вывода и конфигурацию развертывания. Логический вывод или оценка модели - это этап, на котором развернутая модель используется для прогнозирования, чаще всего для производственных данных.
  3. Развернуть модель в целевом объекте вычислений - наконец, перед развертыванием вы должны определить конфигурацию развертывания. Конфигурация развертывания зависит от целевого объекта вычислений, на котором будет размещена веб-служба. Например, при локальном развертывании необходимо указать порт, на котором служба принимает запросы.

2. Как использовать автоматизированное машинное обучение для оптимизации процесса развертывания машинного обучения.

Автоматизированное машинное обучение, также называемое автоматизированным машинным обучением, представляет собой процесс автоматизации трудоемких итеративных задач разработки модели машинного обучения. Он позволяет специалистам по обработке данных, аналитикам и разработчикам создавать модели машинного обучения с высоким масштабом, эффективностью и производительностью, сохраняя при этом качество моделей. Автоматизированное машинное обучение основано на прорыве нашего исследовательского подразделения Microsoft.

На этом занятии вы узнаете, как применять автоматизированное машинное обучение для обучения и настройки модели, используя указанную вами целевую метрику. Затем сервис выполняет итерацию алгоритмов машинного обучения в сочетании с выбором функций, где каждая итерация создает модель с оценкой обучения. Чем выше оценка, тем лучше модель считается соответствующей вашим данным.

Специалисты по обработке данных, аналитики и разработчики из разных отраслей могут использовать автоматизированное машинное обучение, чтобы:

  • Реализуйте решения машинного обучения, не обладая обширными знаниями в области программирования.
  • Экономьте время и ресурсы
  • Используйте передовой опыт в области науки о данных
  • Обеспечьте быстрое решение проблем

3. Как можно использовать наборы инструментов для интерпретации моделей для обучения и развертывания моделей.

Интерпретируемость критически важна как для специалистов по данным, так и для лиц, принимающих бизнес-решения, чтобы обеспечить соответствие политикам компании, отраслевым стандартам и государственным постановлениям:

  • Специалистам по данным нужна способность объяснять свои модели руководителям и заинтересованным сторонам, чтобы они могли понять ценность и точность своих выводов.
  • Лицам, принимающим бизнес-решения, нужна уверенность в том, что они могут обеспечить прозрачность для конечных пользователей, чтобы завоевать и сохранить их доверие.

На этом занятии вы узнаете, как концепции интерпретируемости модели реализованы в SDK машинного обучения Azure для Python. Используя классы и методы в SDK, вы узнаете, как получить:

  • Значения важности функций как для исходных, так и для специально разработанных функций
  • Интерпретируемость реальных наборов данных в масштабе, во время обучения и вывода.
  • Интерактивные визуализации, которые помогут вам обнаруживать закономерности в данных и объяснения во время обучения.

Вывод

Если вы хотите узнать больше об автоматизированном машинном обучении, интерпретируемости моделей и развертывании моделей, а также о том, как использовать эти возможности в Azure для создания и внедрения сотен моделей машинного обучения в производство, присоединяйтесь к Франческе в ODSC East!

О спикере / авторе:

Франческа Лаззери, доктор философии - опытный ученый и практик в области машинного обучения с более чем 10-летним опытом как в академической, так и в отрасли. Она является автором ряда публикаций, в том числе технологических журналов, конференций и книг. В настоящее время она возглавляет международную команду сторонников облачных технологий, разработчиков и специалистов по обработке данных в Microsoft. До прихода в Microsoft она работала научным сотрудником Гарвардского университета в отделе управления технологиями и операциями.