Usar o estúdio do Azure Machine Learning
Você pode usar o estúdio do Azure Machine Learning, um portal baseado em navegador para gerenciar seus recursos e trabalhos de aprendizado de máquina, para acessar muitos tipos de recursos de aprendizado de máquina.
No estúdio do Azure Machine Learning, você pode (entre outras coisas):
- Importe e explore dados.
- Crie e use recursos de computação.
- Execute código em blocos de anotações.
- Utilize ferramentas visuais para criar tarefas e pipelines.
- Use o aprendizado de máquina automatizado para treinar modelos.
- Veja detalhes de modelos treinados, incluindo métricas de avaliação, informações de IA responsável e parâmetros de treinamento.
- Implante modelos treinados para inferência sob demanda e em lote.
- Importe e gerencie modelos de um catálogo de modelos abrangente.
Provisionamento de recursos do Azure Machine Learning
O principal recurso necessário para o Azure Machine Learning é um espaço de trabalho do Azure Machine Learning, que você pode provisionar em uma assinatura do Azure. Outros recursos de suporte, incluindo contas de armazenamento, registros de contêiner, máquinas virtuais e outros, são criados automaticamente conforme necessário. Você pode criar um espaço de trabalho do Azure Machine Learning no portal do Azure.
Decidir entre opções de computação
Ao usar o Aprendizado de Máquina do Azure para treinar um modelo, você precisa selecionar computação. Computação refere-se aos recursos computacionais necessários para realizar o processo de treinamento. Toda vez que você treina um modelo, você deve monitorar quanto tempo leva para treinar o modelo e quanto de computação é usado para executar seu código. Ao monitorar a utilização da computação, você sabe se a computação deve ser dimensionada para cima ou para baixo.
Quando você opta por trabalhar com o Azure em vez de treinar um modelo em um dispositivo local, você tem acesso a computação escalável e econômica.
| Opções de computação | Considerações |
|---|---|
| Unidade Central de Processamento (CPU) ou uma Unidade de Processamento Gráfico (GPU) | Para conjuntos de dados tabulares menores, uma CPU é suficiente e econômica. Para dados não estruturados, como imagens ou texto, as GPUs são mais poderosas e eficientes. As GPUs também podem ser usadas para conjuntos de dados tabulares maiores, se a computação da CPU estiver se mostrando insuficiente. |
| Uso geral ou memória otimizada | Use o propósito geral para ter uma relação CPU/memória equilibrada, o que é ideal para testes e desenvolvimento com conjuntos de dados menores. Use a memória otimizada para ter uma alta relação memória/CPU. Excelente para análise na memória, que é ideal quando tem conjuntos de dados maiores ou quando está a trabalhar em blocos de notas. |
As opções de computação que melhor se adaptam às suas necessidades é, muitas vezes, um caso de tentativa e erro. Ao executar o código, você deve monitorar a utilização da computação para entender a quantidade de recursos de computação que está usando. Se o treinamento do seu modelo demorar muito, mesmo com o maior tamanho de computação, você poderá usar GPUs em vez de CPUs. Como alternativa, você pode optar por distribuir o treinamento do modelo usando a computação do Spark, que exige que você reescreva seus scripts de treinamento.
Aprendizagem Automática Automatizada do Azure
Quando você usa os recursos de aprendizado de máquina automatizado do Azure Machine Learning, a computação é atribuída automaticamente. O Azure Automated machine learning automatiza as tarefas iterativas e demoradas do desenvolvimento de modelos de machine learning.
No estúdio de Aprendizado de Máquina do Azure, você pode usar o Aprendizado de máquina automatizado para projetar e executar seus experimentos de treinamento com as mesmas etapas descritas neste módulo, sem precisar escrever código. O Aprendizado de Máquina Automatizado do Azure fornece um assistente passo a passo que ajuda você a executar trabalhos de treinamento de aprendizado de máquina. O treinamento automatizado pode ser usado para muitas tarefas de aprendizado de máquina, incluindo regressão, previsão de séries temporais, classificação, visão computacional e tarefas de processamento de linguagem natural. No AutoML, você tem acesso aos seus próprios conjuntos de dados. Seus modelos treinados de aprendizado de máquina podem ser implantados como serviços.
Em seguida, vamos examinar as opções de implantação de modelo.