Azure Machine Learning Studio

Azure Machine Learning (Azure ML) ist eine verwaltete Cloudplattform für den gesamten Lebenszyklus des maschinellen Lernens – von der Datenaufbereitung über die Nachverfolgung von Experimenten, das Modelltraining und die Evaluierung bis hin zur Bereitstellung und Überwachung. Im Gegensatz zu Azure AI Services, die vorgefertigte KI bereitstellen, können Sie mit Azure ML eigene Modelle mit Ihren eigenen Daten und jedem beliebigen ML-Framework trainieren, darunter scikit-learn, TensorFlow, PyTorch, XGBoost und weitere. Azure ML ist die bevorzugte Plattform für Data Scientists und ML Engineers, die mit Azure arbeiten.

Ein Azure ML workspace ist die übergeordnete Ressource, die alle ML-Ressourcen miteinander verknüpft: Computecluster, Datasets, Experimente, Modelle und Bereitstellungen. Wenn Sie einen Workspace erstellen, stellt Azure automatisch ein verknüpftes Storage account (für Daten), einen Key Vault (für Geheimnisse), Application Insights (zur Überwachung von Bereitstellungen) und optional eine Container Registry (für benutzerdefinierte Umgebungen) bereit. Alles in einem ML-Projekt befindet sich in einem einzigen Workspace, wodurch Zusammenarbeit und Governance unkompliziert werden.

Azure ML Studio ist die webbasierte Benutzeroberfläche für den Azure-ML-Workspace unter ml.azure.com. Die Arbeit ist in folgende Bereiche gegliedert: Notebooks (Jupyter-Umgebung für interaktives Programmieren), Automated ML (Modelltraining ohne Code), Designer (Pipeline-Builder mit Drag-and-drop), Jobs (Verlauf und Metriken von Trainingsausführungen), Models (Modellregistrierung), Endpoints (APIs für bereitgestellte Modelle) und Data (Dataset-Verwaltung). Studio ist sowohl für Data Scientists als auch für ML Engineers ausgelegt.

Automated ML automatisiert den iterativen Prozess zur Auswahl von Algorithmen und Hyperparametern. Sie stellen ein gelabeltes Dataset bereit, geben den Aufgabentyp an (Klassifikation, Regression oder Zeitreihenprognose), wählen die Zielspalte aus und legen ein Zeitbudget fest. AutoML trainiert parallel Hunderte von Modellkandidaten, bewertet jedes Modell und gibt eine Rangliste zurück. Das beste Modell wird automatisch in der Modellregistrierung registriert und kann mit einem Klick bereitgestellt werden. Für ein funktionsfähiges Modell sind keine ML-Kenntnisse erforderlich.

Azure ML unterstützt mehrere compute targets für Training und Inferenz. Compute instances sind verwaltete VMs mit einem einzelnen Knoten, die für die interaktive Notebook-Entwicklung verwendet werden. Compute clusters sind automatisch skalierende Cluster mit mehreren Knoten (bei Inaktivität auf 0 skaliert), die für Trainingsjobs verwendet werden. Serverless compute erfordert keine Clusterverwaltung – Sie übermitteln einen Job, und Azure ML wählt die Compute-Ressourcen automatisch aus und stellt sie bereit. Für die Inferenz können Sie Modelle auf managed online endpoints (Echtzeit), batch endpoints oder Azure Kubernetes Service bereitstellen.

Azure ML ist in MLflow integriert, die Open-Source-Bibliothek zur Verfolgung von ML-Experimenten. Wenn Sie Metriken, Parameter und Artefakte mit mlflow.log_metric() und mlflow.log_param() protokollieren, speichert Azure ML diese automatisch im Experimentverlauf des Workspaces. In Studio können Sie Ausführungen über mehrere Experimente hinweg vergleichen, um die beste Kombination von Hyperparametern zu ermitteln. Auch die Protokollierung von MLflow-Modellen (mlflow.sklearn.log_model()) registriert Modelle direkt in der Azure-ML-Modellregistrierung.

Azure ML Studio enthält ein Responsible AI Dashboard, das Ihr trainiertes Modell auf Fairness, Interpretierbarkeit und Fehler analysiert. Die Komponente error analysis identifiziert Untergruppen des Testdatasets, bei denen das Modell die schlechtesten Ergebnisse erzielt. Die Komponente interpretability (mit SHAP oder LIME) zeigt, welche Features die Modellvorhersagen am stärksten beeinflussen. Die fairness assessment prüft, ob sich die Fehlerraten der Vorhersagen zwischen demografischen Gruppen unterscheiden, und hilft Ihnen so, Verzerrungen vor der Bereitstellung zu erkennen und zu mindern.

Um ein trainiertes Modell für die Echtzeitinferenz bereitzustellen, erstellen Sie in Azure ML einen managed online endpoint. Ein Endpunkt verfügt über eine oder mehrere deployments – jede Bereitstellung ist eine Modellversion mit einer eigenen Compute-Konfiguration. Sie geben das Modell, ein Scoring-Skript (den Einstiegspunkt) und den Typ der Compute-Instanz an. Der Datenverkehr kann zwischen Bereitstellungen aufgeteilt werden (z. B. 90 % an blue, 10 % an green), um neue Modellversionen sicher einzuführen. Der Endpunkt stellt eine HTTPS-REST-API bereit.

Batch endpoints führen die Inferenz asynchron für große Datasets aus, anstatt jeweils einen Datensatz einzeln zu bewerten. Sie übermitteln einen Batchjob, der auf ein Eingabedataset (in Azure Blob Storage) verweist, und der Endpunkt verarbeitet es parallel über einen Computecluster. Die Ergebnisse werden an einen Ausgabeort geschrieben. Die Batchinferenz eignet sich ideal für tägliche Abwanderungsprognosen, monatliche Kreditrisikobewertungen oder die nächtliche Bildklassifikation neu hochgeladener Inhalte – also für Szenarien, in denen die Latenz einzelner Anfragen nicht entscheidend ist, der Durchsatz jedoch eine wichtige Rolle spielt.

Nach der Bereitstellung kann die Modellgenauigkeit mit der Zeit abnehmen, wenn sich die Muster realer Daten verändern – ein als data drift oder model drift bezeichnetes Phänomen. Azure ML bietet eine model monitoring-Funktion, die Produktionsdaten der Inferenz mit der Trainingsbaseline vergleicht und eine Warnung ausgibt, wenn der statistische Drift einen Schwellenwert überschreitet. Sie können Überwachungsjobs täglich oder wöchentlich planen. Wenn ein erheblicher Drift erkannt wird, ist dies ein Signal, das Modell mit aktuellen Daten neu zu trainieren, um die Qualität der Vorhersagen zu erhalten.

Azure ML Pipelines orchestrieren mehrstufige ML-Workflows – Datenvorverarbeitung, Feature Engineering, Modelltraining, Evaluierung und bedingte Bereitstellung – als wiederverwendbare, parametrisierte Pipeline. Jeder Schritt wird auf einem eigenen Compute-Ziel ausgeführt. Pipelines können geplant (z. B. wöchentliches Neutraining mit neuen Daten), durch Azure Data Factory ausgelöst oder über eine REST-API aufgerufen werden. Veröffentliche Pipelines werden im Workspace versioniert und ermöglichen reproduzierbare ML-Experimente sowie Nachvollziehbarkeit in regulierten Branchen.

Testen Sie Ihr Verständnis der Konzepte von Microsoft Azure Fundamentals (AZ-900) aus dieser Lektion.

In dieser Lektion haben Sie Folgendes gelernt: Azure ML Studio bietet eine einheitliche Benutzeroberfläche für den gesamten ML-Lebenszyklus – von den Daten bis zum bereitgestellten Modell. AutoML automatisiert die Auswahl von Algorithmen und die Optimierung von Hyperparametern ohne ML-Kenntnisse, und managed online and batch endpoints stellen trainierte Modelle als REST-APIs für Echtzeit-Scoring oder asynchrones Scoring in großem Maßstab bereit. Als Nächstes sehen wir uns Azure OpenAI Service zur Integration großer Sprachmodelle in Anwendungen an.