Azure Machine Learning ( AML), een cloudservice, vormt de kern van kunstmatige intelligentie en vele opkomende toepassingen. Het is ontworpen voor het creëren en beheren van machine learning-oplossingen. Datawetenschappers en machine learning-engineers gebruiken Azure ML om hun bestaande vaardigheden en frameworks op het gebied van dataverwerking en modelontwikkeling te benutten. Bovendien helpt het hen om hun workloads naadloos te schalen, te distribueren en te implementeren in de cloud. De technologiegedreven AML biedt een eenvoudige interface met muisklikken om een ideale omgeving te creëren voor datawetenschappers en om machine learning-modellen te ontwikkelen zonder code te hoeven schrijven.
Of je nu een model wilt bouwen, experimenten wilt uitvoeren om een model te implementeren, of een model wilt implementeren, de technologie van Microsoft biedt complete machine learning-mogelijkheden in de cloud. Bovendien maakt het platform programmeren in Python en R mogelijk via Jupyter Notebooks, Jupyter Lab en R Studio, afhankelijk van de voorkeuren van de gebruiker.
Hieronder worden enkele mogelijkheden van Azure Machine Learning beschreven:
Rekenmogelijkheden: Aure Machine Learning biedt talloze rekenopties voor diverse machine learning-toepassingen. Gebruikers profiteren van rekenkracht op aanvraag, die ze kunnen aanpassen aan hun specifieke behoeften met Jupyter Notebooks, R Studio en Jupyter Labs.
Gebruikers kunnen een computercluster creëren voor workloads die veel rekenkracht vereisen. Databricks- , HDInsight- en Azure ML-clusters behoren tot de ondersteunde clusteropties. Voor veeleisende machine learning-workloads zoals Natural Language Processing (NLP) bieden de computerclusters GPU-ondersteunde rekenmogelijkheden.
Datastores: Azure Machine Learning biedt datastores die kunnen worden gebruikt om gegevens uit Azure Storage-services, zoals een data lake, te koppelen. Gebruikers kunnen de werkruimte en de datastoreklasse gebruiken om toegang te krijgen tot datastores vanuit de gebruikersinterface of vanuit Python-code. Zodra gegevens zijn gekoppeld, kunnen gebruikers via de datastore gegevens uit data lake-opslag in Azure ML-notebooks lezen.
Notebooks: Jupyter Notebooks, Jupyter Labs en R Studio worden allemaal ondersteund door de notebookfunctionaliteit van Azure ML. Afhankelijk van de machine learning-toepassing kunnen gebruikers ervoor kiezen om een bestaande Jupyter Notebook-kernel te openen of een aangepaste kernel te maken. Conda virtuele omgevingen worden ondersteund door notebooks, waardoor teamspecifieke ontwikkelomgevingen kunnen worden gecreëerd. GitHub is ook geïntegreerd met Notebooks. Om modellen te ontwerpen, trainen, testen en implementeren, kunnen gebruikers met toegang tot een Azure ML-instantie samenwerken binnen een of meer notebooks.
Ontwerp-GUI: De Azure ML Designer-tool biedt een interactieve GUI voor het specificeren en creëren van machine learning-modellen. Tijdens de modelontwikkeling biedt de Designer een aantal vooraf gebouwde modules waaruit gebruikers kunnen kiezen. Een gebruiker kan een dataset koppelen aan diverse vooraf gebouwde modules, waaronder 'kolommen selecteren', 'ontbrekende gegevens opschonen', 'gegevens splitsen', 'beslissingsbos met twee klassen', 'model trainen', 'model scoren' en 'model evalueren'. De gebruiker kan vervolgens een compute-cluster gebruiken om de modules als een pipeline te implementeren. De modelresultaten kunnen ook worden bekeken op een dashboard, dat wordt gegenereerd wanneer de module 'model evalueren' wordt uitgevoerd.
Geautomatiseerde machine learning: Gebruikers kunnen de functionaliteit voor geautomatiseerde machine learning gebruiken om geautomatiseerde modeltests uit te voeren. Hiermee kunnen ze een bestaand model verfijnen en trainen om een door de gebruiker gedefinieerde doelmetriek te behalen. Binnen een classificatiemodel kan een gebruiker bijvoorbeeld aangeven dat er meerdere geautomatiseerde tests moeten worden uitgevoerd om de nauwkeurigheid van het model te verbeteren. Elk experiment bouwt voort op het vorige om ervoor te zorgen dat het model zo nauwkeurig mogelijk is. Gebruikers kunnen alle experimentresultaten evalueren.