Соавторами этого сообщения в блоге являются Джая Мэтью и Франческа Лаззери, специалисты по обработке данных в Microsoft.

Конференция по искусственному интеллекту в Лондоне является относительным дополнением к списку конференций, проводимых O’Reilly по всему миру. Цель этой конференции - создать форум для постоянно растущего сообщества ИИ для изучения наиболее важных проблем и инноваций в прикладном ИИ. На конференции обсуждались различные темы, начиная от практических бизнес-приложений ИИ и заканчивая убедительными примерами использования ИИ, различными техническими тренингами и глубоким погружением в успешные проекты ИИ и т. Д.

На нашей сессии «Один день из жизни специалиста по данным в компании ИИ» мы представили научную основу, чтобы помочь организациям систематически открывать возможности для создания ценности из данных, оценивать новые возможности и оценивать их соответствие и потенциал, а затем как Создайте команду, которая будет беспрепятственно реализовывать пилотные проекты и проекты сквозной расширенной аналитики и обеспечивать устойчивую постоянную ценность для бизнеса на основе данных. В частности, мы поделились несколькими важными концепциями, такими как рабочий процесс машинного обучения и командное рабочее пространство.

В ходе сессии мы также познакомили аудиторию с последним предложением Azure AI Служба машинного обучения Azure. Служба машинного обучения Azure (предварительная версия) - это облачная служба, которую можно использовать для разработки и развертывания моделей машинного обучения. Используя Службу машинного обучения Azure, вы можете отслеживать свои модели по мере их создания, обучения, развертывания и управления ими в широком масштабе, который предоставляет облако.

Рабочий процесс машинного обучения

Рабочий процесс машинного обучения - это гибкая, итеративная среда обработки данных, позволяющая эффективно предоставлять решения для прогнозной аналитики и интеллектуальные приложения. Это помогает улучшить взаимодействие и обучение в команде. В нем собраны лучшие практики и структуры, которые способствуют успешной реализации инициатив в области науки о данных.

Цель - помочь компаниям в полной мере осознать преимущества своей аналитической программы. Жизненный цикл описывает основные этапы, которые проекты обычно выполняются, часто итеративно:

  • Деловое понимание
  • Сбор и понимание данных
  • Моделирование
  • Развертывание
  • Принятие и потребление клиентами

На следующей диаграмме представлены задачи (выделены синим цветом), связанные с каждым этапом жизненного цикла:

Рабочая область команды

В Службе машинного обучения Azure рабочая область представляет собой центральное место для совместной работы группы и управляет доступом к целевым объектам вычислений, хранилищу данных, созданным моделям, созданным образам докеров, развернутым веб-службам и отслеживает все выполненные эксперименты. исполняется с ним. Специалисты по обработке данных могут управлять авторизацией и созданием рабочих пространств и экспериментировать с помощью Python SDK.

Вы можете использовать Python, чтобы начать работу с машинным обучением Azure. В приведенном выше фрагменте мы создаем рабочую область под названием Демо в группе ресурсов Contoso, которая находится в данной подписке. Рабочее пространство будет создано в регионе Azure eastUS2.

Вы можете создать несколько рабочих пространств, и каждое рабочее пространство может использоваться несколькими людьми. При совместном использовании рабочего пространства контролируйте доступ к рабочему пространству, назначая пользователям следующие роли:

  • Владелец
  • Автор
  • Читатель

Когда вы создаете новую рабочую область, она автоматически создает несколько ресурсов Azure, которые используются рабочей областью:

  • Реестр контейнеров Azure - регистрирует контейнеры докеров, которые используются во время обучения и при развертывании модели.
  • Хранилище Azure - используется как хранилище данных по умолчанию для рабочей области.
  • Azure Application Insights - хранит данные мониторинга ваших моделей.
  • Хранилище ключей Azure - хранит секреты, используемые целевыми объектами вычислений, и другую конфиденциальную информацию, необходимую для рабочей области.

Рабочий процесс развертывания машинного обучения Azure

С Службой машинного обучения Azure, как только специалист по анализу данных построит удовлетворительную модель, обученную модель можно легко запустить в производство и отслеживать.

На следующей схеме показан полный рабочий процесс развертывания:

В следующих нескольких абзацах мы покажем, как выполнять следующие шаги:

  1. Зарегистрируйте модель в реестре, размещенном в вашей рабочей области службы машинного обучения Azure.
  2. Зарегистрируйте изображение, которое объединяет модель со сценарием оценки и зависимостями в переносном контейнере.
  3. Разверните образ как веб-службу в облаке или на пограничных устройствах

Шаг 1. Зарегистрируйте модель

Шаг 2: Зарегистрируйте изображение

На этом втором этапе вам необходимо создать сценарий оценки, файл среды и файл конфигурации.

Шаг 3. Разверните изображение

Вы можете развернуть зарегистрированные образы в облаке или на пограничных устройствах. здесь мы развертываем его в Экземплярах контейнера Azure, который предлагает простой способ запуска контейнера в Azure без необходимости подготавливать какие-либо виртуальные машины и без необходимости внедрять службу более высокого уровня.

Заключение

В этом сообщении блога мы описываем различные аспекты, которые необходимо решить, от сбора данных до показателей для успешной модели ИИ, которая будет использоваться в производственной среде. В частности, мы познакомили аудиторию с новейшей средой облачной аналитики Azure, которая упрощает сбор данных, анализ, эксперименты и построение модели для использования в любой организации. В последней части мы показали, как использовать Службу машинного обучения Azure для развертывания ваших моделей в Экземплярах контейнеров Azure.

использованная литература