Utiliser Azure Machine Learning Studio
Vous pouvez utiliser Azure Machine Learning Studio, un portail basé sur un navigateur pour gérer vos ressources et travaux Machine Learning, pour accéder à de nombreux types de fonctionnalités de Machine Learning.
Dans Azure Machine Learning Studio, vous pouvez (entre autres) :
- Importez et explorez des données.
- Créez et utilisez des ressources de calcul.
- Exécutez du code dans des notebooks.
- Utilisez des outils visuels pour créer des travaux et des pipelines.
- Utilisez le Machine Learning automatisé pour entraîner des modèles.
- Affichez les détails des modèles formés, notamment les métriques d’évaluation, les informations d’IA responsables et les paramètres d’entraînement.
- Déployez des modèles entraînés pour l’inférence par lots et sur demande.
- Importez et gérez des modèles à partir d’un catalogue de modèles complet.
Approvisionnement de ressources Azure Machine Learning
La ressource principale requise pour Azure Machine Learning est un espace de travail Azure Machine Learning, que vous pouvez provisionner dans un abonnement Azure. D’autres ressources de prise en charge, notamment les comptes de stockage, les registres de conteneurs, les machines virtuelles et d’autres, sont créées automatiquement en fonction des besoins. Vous pouvez créer un espace de travail Azure Machine Learning dans le portail Azure.
Décider entre les options de calcul
Lorsque vous utilisez Azure Machine Learning pour entraîner un modèle, vous devez sélectionner le calcul. Le calcul fait référence aux ressources de calcul requises pour effectuer le processus d’entraînement. Chaque fois que vous effectuez l'apprentissage d’un modèle, vous devez surveiller le temps nécessaire à l’apprentissage du modèle et la quantité de calcul utilisée pour exécuter votre code. En analysant l’utilisation du calcul, vous savez s’il faut mettre à l’échelle votre capacité de calcul vers le haut ou vers le bas.
Lorsque vous choisissez d’utiliser Azure au lieu d’entraîner un modèle sur un appareil local, vous avez accès à un calcul évolutif et économique.
| Options de calcul | Considérations |
|---|---|
| Unité centrale de traitement (PROCESSEUR) ou unité de traitement graphique (GPU) | Pour les jeux de données tabulaires plus réduits, une UC est suffisante et économique. Pour les données non structurées telles que des images ou du texte, les GPU sont plus puissantes et plus efficaces. Les GPU peuvent également être utilisées pour les jeux de données tabulaires plus volumineux si les capacités de calcul de l’UC s’avèrent insuffisantes. |
| Usage général ou mémoire optimisée | L’usage général est conseillé pour obtenir un ratio processeur/mémoire équilibré, ce qui est idéal pour les tests et le développement avec des jeux de données plus réduits. L’usage optimisé pour la mémoire est conseillé pour obtenir un ratio mémoire/processeur élevé. Idéal pour l’analytique en mémoire, lorsque vous avez des jeux de données plus volumineux ou lorsque vous travaillez dans des notebooks. |
Déterminer quelles options de calcul conviennent le mieux à vos besoins se fait souvent par tâtonnements. Lors de l’exécution du code, vous devez surveiller l’utilisation de la capacité de calcul pour comprendre la quantité de ressources de calcul que vous utilisez. Si l’entraînement de votre modèle prend trop de temps, même avec la taille de calcul la plus importante, vous pouvez utiliser des GPU au lieu de processeurs. Vous pouvez également choisir de distribuer l’entraînement des modèles à l’aide du calcul Spark, ce qui vous oblige à réécrire vos scripts d’entraînement.
Azure Apprentissage Automatisé par Machine
Lorsque vous utilisez les fonctionnalités de Machine Learning automatisées d’Azure Machine Learning, vous êtes automatiquement affecté au calcul. Azure Automated Machine Learning automatise les tâches fastidieuses et itératives du développement de modèles Machine Learning.
Dans Azure Machine Learning Studio, vous pouvez utiliser le Machine Learning automatisé pour concevoir et exécuter vos expériences de formation avec les mêmes étapes décrites dans ce module, sans avoir à écrire de code. Azure Automated Machine Learning fournit un Assistant pas à pas qui vous aide à exécuter des travaux de formation Machine Learning. L’entraînement automatisé peut être utilisé pour de nombreuses tâches de Machine Learning, notamment la régression, la prévision de série chronologique, la classification, la vision par ordinateur et les tâches de traitement du langage naturel. Dans AutoML, vous avez accès à vos propres jeux de données. Vos modèles Machine Learning entraînés peuvent être déployés en tant que services.
Examinons ensuite les options de déploiement de modèle.