Azure Machine Learning (AML) , ein Cloud-basierter Dienst, bildet das Herzstück der künstlichen Intelligenz und vieler neuer Anwendungen – entwickelt für die Erstellung und Verwaltung von Machine-Learning-Lösungen. Data Scientists und Machine-Learning-Ingenieure nutzen Azure ML, um ihre bestehenden Kenntnisse und Frameworks in der Datenverarbeitung und Modellentwicklung optimal einzusetzen. Darüber hinaus unterstützt es sie bei der nahtlosen Skalierung, Verteilung und Bereitstellung ihrer Workloads in der Cloud. Die technologieorientierte AML-Plattform bietet eine intuitive Benutzeroberfläche, die per Mausklick eine ideale Umgebung für Data Scientists schafft und die Entwicklung von Machine-Learning-Modellen ohne Programmierung ermöglicht.
Ob Sie ein Modell erstellen, Experimente zur Modellbereitstellung durchführen oder ein Modell bereitstellen möchten – die Technologie von Microsoft bietet umfassende Machine-Learning-Funktionen in der Cloud. Darüber hinaus ermöglicht die Plattform die Programmierung in Python und R über Jupyter Notebooks, Jupyter Lab und RStudio, um unterschiedlichen Benutzerpräferenzen gerecht zu werden.
Einige der Funktionen von Azure Machine Learning werden im Folgenden aufgeführt:
Compute: Aure Machine Learning bietet zahlreiche Rechenoptionen für verschiedene Anwendungen im Bereich maschinelles Lernen. Nutzer profitieren von bedarfsgerechter Rechenleistung, die sie an ihre Bedürfnisse mit Jupyter Notebooks, R Studio und Jupyter Labs anpassen können.
Nutzer können einen Rechencluster für rechenintensive Workloads erstellen. Zu den unterstützten Clusteroptionen gehören Databricks- , HDInsight- und Azure ML-Cluster. Für anspruchsvolle Machine-Learning-Workloads wie die Verarbeitung natürlicher Sprache (NLP) bieten die Rechencluster GPU-gestützte Rechenoptionen.
Datenspeicher: Azure Machine Learning stellt Datenspeicher bereit, mit denen Daten aus Azure Storage-Diensten wie einem Data Lake eingebunden werden können. Benutzer können über die Arbeitsbereichs- und Datenspeicherklasse auf Datenspeicher über die Benutzeroberfläche oder Python-Code zugreifen. Sobald die Daten eingebunden sind, können sie über den Datenspeicher in Azure ML-Notebooks gelesen werden.
Notebooks: Die Notebook-Funktionalität von Azure ML unterstützt Jupyter Notebooks, Jupyter Labs und RStudio. Je nach Anwendungsfall im Bereich Machine Learning können Benutzer einen vorhandenen Jupyter-Notebook-Kernel öffnen oder einen benutzerdefinierten Kernel erstellen. Notebooks unterstützen Conda-Umgebungen und ermöglichen so die Erstellung teamspezifischer Entwicklungsumgebungen. GitHub ist ebenfalls in Notebooks integriert. Benutzer mit Zugriff auf eine Azure ML-Instanz können in einem oder mehreren Notebooks zusammenarbeiten, um Modelle zu entwerfen, zu trainieren, zu testen und bereitzustellen.
Designer-GUI: Das Azure ML Designer-Tool bietet eine interaktive GUI zum Spezifizieren und Erstellen von Machine-Learning-Modellen. Während der Modellentwicklung stellt der Designer eine Reihe vordefinierter Module zur Auswahl. Benutzer können Datensätze an verschiedene Module anhängen, darunter „Spalten auswählen“, „Fehlende Daten bereinigen“, „Daten aufteilen“, „Entscheidungsbaum für zwei Klassen“, „Modell trainieren“, „Modell bewerten“ und „Modell evaluieren“. Anschließend können die Module mithilfe eines Compute-Clusters als Pipeline bereitgestellt werden. Die Modellergebnisse lassen sich auf einem Dashboard anzeigen, das bei der Ausführung des Moduls „Modell evaluieren“ erstellt wird.
Automatisiertes maschinelles Lernen: Nutzer können die Funktion für automatisiertes maschinelles Lernen verwenden, um automatisierte Modelltests durchzuführen und ein bestehendes Modell so zu optimieren und zu trainieren, dass es eine benutzerdefinierte Zielmetrik erfüllt. Innerhalb eines Klassifizierungsmodells kann ein Nutzer beispielsweise festlegen, dass zahlreiche automatisierte Tests durchgeführt werden sollen, um die Genauigkeit des Modells zu verbessern. Jeder Test baut auf dem vorherigen auf, um die größtmögliche Genauigkeit des Modells zu gewährleisten. Nutzer können alle Testergebnisse auswerten.