Azure Machine Learning Studio

Azure Machine Learning (Azure ML) es una plataforma de nube administrada para todo el ciclo de vida del aprendizaje automático: preparación de datos, seguimiento de experimentos, entrenamiento, evaluación, implementación y supervisión de modelos. A diferencia de Azure AI Services (que proporciona IA prediseñada), Azure ML le permite entrenar sus propios modelos con sus propios datos mediante cualquier marco de ML, como scikit-learn, TensorFlow, PyTorch, XGBoost y otros. Es la plataforma preferida por científicos de datos e ingenieros de ML que trabajan en Azure.

Un área de trabajo de Azure ML es el recurso de nivel superior que conecta todos los recursos de ML: clústeres de proceso, conjuntos de datos, experimentos, modelos e implementaciones. Al crear un área de trabajo, Azure aprovisiona automáticamente una cuenta de Storage vinculada (para los datos), Key Vault (para los secretos), Application Insights (para supervisar las implementaciones) y, opcionalmente, un Container Registry (para entornos personalizados). Todo lo relacionado con un proyecto de ML se encuentra en una única área de trabajo, lo que facilita la colaboración y la gobernanza.

Azure ML Studio es la interfaz web del área de trabajo de Azure ML, disponible en ml.azure.com. Organiza el trabajo en varias secciones: Notebooks (entorno de Jupyter para programación interactiva), Automated ML (entrenamiento de modelos sin código), Designer (creador de canalizaciones mediante arrastrar y soltar), Jobs (historial y métricas de las ejecuciones de entrenamiento), Models (registro de modelos), Endpoints (API de modelos implementados) y Data (administración de conjuntos de datos). Studio está diseñado tanto para científicos de datos como para ingenieros de ML.

Automated ML automatiza el proceso iterativo de selección de algoritmos e hiperparámetros. Usted proporciona un conjunto de datos etiquetado, especifica el tipo de tarea (clasificación, regresión o previsión de series temporales), selecciona la columna de destino y establece un límite de tiempo. AutoML entrena en paralelo cientos de modelos candidatos, evalúa cada uno y devuelve una tabla de clasificación ordenada. El mejor modelo se registra automáticamente en el registro de modelos y puede implementarse con un solo clic. No se requieren conocimientos especializados de ML para obtener un modelo funcional.

Azure ML admite varios destinos de proceso para el entrenamiento y la inferencia. Las instancias de proceso son máquinas virtuales administradas de un solo nodo que se utilizan para desarrollar notebooks de forma interactiva. Los clústeres de proceso son clústeres administrados de varios nodos con escalado automático (se reducen a 0 cuando están inactivos) que se utilizan para trabajos de entrenamiento. El proceso sin servidor no requiere administrar clústeres: usted envía un trabajo y Azure ML selecciona y aprovisiona automáticamente el proceso. Para la inferencia, puede implementar el modelo en managed online endpoints (en tiempo real), batch endpoints o Azure Kubernetes Service.

Azure ML está integrado con MLflow, la biblioteca de código abierto para el seguimiento de experimentos de ML. Cuando registra métricas, parámetros y artefactos mediante mlflow.log_metric() y mlflow.log_param(), Azure ML los almacena automáticamente en el historial de experimentos del área de trabajo. Puede comparar ejecuciones de distintos experimentos en Studio para identificar la mejor combinación de hiperparámetros. El registro de modelos de MLflow (mlflow.sklearn.log_model()) también registra directamente los modelos en el registro de modelos de Azure ML.

Azure ML Studio incluye un Responsible AI Dashboard que analiza su modelo entrenado en cuanto a equidad, interpretabilidad y análisis de errores. El componente de análisis de errores identifica los subgrupos del conjunto de datos de prueba en los que el modelo obtiene peores resultados. El componente de interpretabilidad (mediante SHAP o LIME) muestra qué características influyen más en las predicciones del modelo. La evaluación de equidad comprueba si las tasas de error de las predicciones difieren entre grupos demográficos, lo que le ayuda a identificar y mitigar sesgos antes de la implementación.

Para implementar un modelo entrenado para realizar inferencias en tiempo real, debe crear un managed online endpoint en Azure ML. Un endpoint tiene una o más implementaciones; cada implementación es una versión del modelo con su propia configuración de proceso. Debe especificar el modelo, un script de puntuación (punto de entrada) y el tipo de instancia de proceso. El tráfico puede dividirse entre las implementaciones (por ejemplo, 90 % para blue y 10 % para green) para implementar de forma segura nuevas versiones del modelo. El endpoint expone una API REST HTTPS.

Los batch endpoints realizan inferencias de forma asíncrona sobre grandes conjuntos de datos, en lugar de puntuar un registro cada vez. Usted envía un trabajo por lotes que apunta a un conjunto de datos de entrada (en Azure Blob Storage) y el endpoint lo procesa en paralelo mediante un clúster de proceso. Los resultados se escriben en una ubicación de salida. La inferencia por lotes es ideal para ejecuciones diarias de predicción de abandono de clientes, puntuaciones mensuales de riesgo crediticio o clasificaciones nocturnas de imágenes de nuevas cargas de contenido: situaciones en las que la latencia por solicitud no es crítica, pero el rendimiento sí lo es.

Después de la implementación, la precisión del modelo puede deteriorarse con el tiempo a medida que cambian los patrones de los datos del mundo real; este fenómeno se denomina deriva de datos o deriva del modelo. Azure ML proporciona supervisión de modelos, que compara los datos de inferencia de producción con la línea base de entrenamiento y envía alertas cuando la deriva estadística supera un umbral. Puede programar trabajos de supervisión diarios o semanales. Cuando se detecta una deriva significativa, esto indica que debe volver a entrenar el modelo con datos recientes para mantener la calidad de las predicciones.

Las Azure ML Pipelines orquestan flujos de trabajo de ML de varios pasos —preprocesamiento de datos, ingeniería de características, entrenamiento y evaluación del modelo e implementación condicional— como una canalización reutilizable y parametrizada. Cada paso se ejecuta en su propio destino de proceso. Las canalizaciones pueden programarse (por ejemplo, para volver a entrenar el modelo semanalmente con datos nuevos), activarse desde Azure Data Factory o invocarse mediante una API REST. Las canalizaciones publicadas tienen versiones en el área de trabajo, lo que permite reproducir experimentos de ML y realizar auditorías en sectores regulados.

Compruebe su comprensión de los conceptos de Microsoft Azure Fundamentals (AZ-900) de esta lección.

En esta lección ha aprendido que Azure ML Studio proporciona una interfaz unificada para todo el ciclo de vida del ML, desde los datos hasta el modelo implementado; AutoML automatiza la selección de algoritmos y el ajuste de hiperparámetros sin necesidad de conocimientos especializados de ML; y los managed online and batch endpoints implementan modelos entrenados como API REST para realizar puntuaciones en tiempo real o de forma asíncrona a gran escala. A continuación, exploraremos Azure OpenAI Service para integrar modelos de lenguaje de gran tamaño en aplicaciones.