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:
- Зарегистрируйте модель в реестре, размещенном в вашей рабочей области службы машинного обучения Azure.
- Зарегистрируйте изображение, которое объединяет модель со сценарием оценки и зависимостями в переносном контейнере.
- 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
- AI London Slide Deck: https://www.slideshare.net/FrancescaLazzeriPhD/a-day-in-the-life-of-a-data-scientist-in-an-ai-company
- Службы машинного обучения Azure: https://aka.ms/AMLServices
- Инструменты Visual Studio Code для AI: https://aka.ms/VSCodeToolsAI
- Виртуальная машина для обработки данных: https://aka.ms/AzureDSVM
- Процесс Team Data Science: https://aka.ms/TeamDataScience