Azure Machine Learning Studio

Azure Machine Learning (Azure ML) est une plateforme cloud managée qui couvre l’ensemble du cycle de vie de l’apprentissage automatique : préparation des données, suivi des expériences, entraînement des modèles, évaluation, déploiement et supervision. Contrairement aux services d’IA Azure (qui fournissent une IA préconfigurée), Azure ML vous permet d’entraîner vos propres modèles sur vos propres données avec n’importe quel framework d’apprentissage automatique : scikit-learn, TensorFlow, PyTorch, XGBoost, et bien d’autres. Il s’agit de la plateforme privilégiée des spécialistes des données et des ingénieurs en apprentissage automatique qui travaillent dans Azure.

Un espace de travail Azure ML est la ressource de niveau supérieur qui regroupe toutes les ressources d’apprentissage automatique : clusters de calcul, jeux de données, expériences, modèles et déploiements. Lorsque vous créez un espace de travail, Azure provisionne automatiquement un compte de stockage associé (pour les données), un coffre de clés (pour les secrets), Application Insights (pour superviser les déploiements) et, éventuellement, un registre de conteneurs (pour les environnements personnalisés). Tout ce qui appartient à un projet d’apprentissage automatique se trouve dans un espace de travail unique, ce qui simplifie la collaboration et la gouvernance.

Azure ML Studio est l’interface utilisateur web de l’espace de travail Azure ML, accessible à l’adresse ml.azure.com. Elle organise le travail en plusieurs sections : Notebooks (environnement Jupyter pour le codage interactif), apprentissage automatique automatisé (entraînement de modèles sans code), concepteur (outil de création de pipelines par glisser-déposer), tâches (historique des exécutions d’entraînement et métriques), modèles (registre de modèles), points de terminaison (API de modèles déployés) et données (gestion des jeux de données). Studio est conçu aussi bien pour les spécialistes des données que pour les ingénieurs en apprentissage automatique.

L’apprentissage automatique automatisé automatise le processus itératif de sélection des algorithmes et des hyperparamètres. Vous fournissez un jeu de données étiqueté, indiquez le type de tâche (classification, régression ou prévision de séries temporelles), sélectionnez la colonne cible et définissez une durée maximale. AutoML entraîne en parallèle des centaines de modèles candidats, évalue chacun d’eux et renvoie un classement. Le meilleur modèle est automatiquement enregistré dans le registre de modèles et peut être déployé en un clic. Aucune expertise en apprentissage automatique n’est nécessaire pour obtenir un modèle fonctionnel.

Azure ML prend en charge plusieurs cibles de calcul pour l’entraînement et l’inférence. Les instances de calcul sont des machines virtuelles managées à nœud unique utilisées pour développer des notebooks de manière interactive. Les clusters de calcul sont des clusters multinœuds à mise à l’échelle automatique (ramenés à 0 lorsqu’ils sont inactifs) utilisés pour les tâches d’entraînement. Le calcul sans serveur ne nécessite aucune gestion de cluster : vous soumettez une tâche et Azure ML sélectionne et provisionne automatiquement les ressources de calcul. Pour l’inférence, vous pouvez effectuer un déploiement sur des points de terminaison en ligne managés (en temps réel), des points de terminaison de traitement par lots ou Azure Kubernetes Service.

Azure ML est intégré à MLflow, la bibliothèque open source de suivi des expériences d’apprentissage automatique. Lorsque vous journalisez des métriques, des paramètres et des artefacts à l’aide de mlflow.log_metric() et mlflow.log_param(), Azure ML les enregistre automatiquement dans l’historique des expériences de l’espace de travail. Vous pouvez comparer les exécutions entre les expériences dans Studio afin d’identifier la meilleure combinaison d’hyperparamètres. La journalisation des modèles MLflow (mlflow.sklearn.log_model()) enregistre également les modèles directement dans le registre de modèles Azure ML.

Azure ML Studio comprend un tableau de bord de l’IA responsable qui analyse votre modèle entraîné sous l’angle de l’équité, de l’interprétabilité et de l’analyse des erreurs. Le composant d’analyse des erreurs identifie les sous-groupes du jeu de données de test pour lesquels le modèle obtient les moins bons résultats. Le composant d’interprétabilité (utilisant SHAP ou LIME) indique quelles caractéristiques influencent le plus les prédictions du modèle. L’évaluation de l’équité vérifie si les taux d’erreur des prédictions diffèrent entre les groupes démographiques, afin de vous aider à repérer et à limiter les biais avant le déploiement.

Pour déployer un modèle entraîné afin d’effectuer des inférences en temps réel, vous créez un point de terminaison en ligne managé dans Azure ML. Un point de terminaison comporte un ou plusieurs déploiements : chaque déploiement est une version du modèle avec sa propre configuration de calcul. Vous indiquez le modèle, un script de calcul du score (point d’entrée) et le type d’instance de calcul. Le trafic peut être réparti entre les déploiements (par exemple, 90 % vers le bleu et 10 % vers le vert) pour déployer progressivement de nouvelles versions du modèle en toute sécurité. Le point de terminaison expose une API REST HTTPS.

Les points de terminaison par lots effectuent des inférences de manière asynchrone sur de grands jeux de données, au lieu de calculer le score d’un enregistrement à la fois. Vous soumettez une tâche par lots qui pointe vers un jeu de données d’entrée (dans Azure Blob Storage), puis le point de terminaison le traite en parallèle sur un cluster de calcul. Les résultats sont écrits à un emplacement de sortie. L’inférence par lots est idéale pour les calculs quotidiens de prédiction du désabonnement, l’évaluation mensuelle du risque de crédit ou la classification nocturne des nouvelles images importées : dans ces scénarios, la latence par requête n’est pas essentielle, mais le débit est important.

Après le déploiement, la précision d’un modèle peut se dégrader au fil du temps lorsque les tendances des données du monde réel évoluent : c’est le phénomène appelé dérive des données ou dérive du modèle. Azure ML fournit une fonctionnalité de supervision des modèles qui compare les données d’inférence en production aux données de référence d’entraînement et vous alerte lorsque la dérive statistique dépasse un seuil. Vous pouvez planifier des tâches de supervision quotidiennes ou hebdomadaires. Lorsqu’une dérive importante est détectée, cela indique qu’il faut réentraîner le modèle avec des données récentes afin de préserver la qualité des prédictions.

Les pipelines Azure ML orchestrent des flux de travail d’apprentissage automatique en plusieurs étapes — prétraitement des données, ingénierie des caractéristiques, entraînement et évaluation du modèle, puis déploiement conditionnel — sous la forme d’un pipeline réutilisable et paramétré. Chaque étape s’exécute sur sa propre cible de calcul. Les pipelines peuvent être planifiés (par exemple, pour réentraîner le modèle chaque semaine avec de nouvelles données), déclenchés par Azure Data Factory ou appelés via une API REST. Les pipelines publiés sont versionnés dans l’espace de travail, ce qui permet de reproduire les expériences d’apprentissage automatique et d’assurer leur traçabilité dans les secteurs réglementés.

Vérifiez votre compréhension des concepts de Microsoft Azure Fundamentals (AZ-900) présentés dans cette leçon.

Dans cette leçon, vous avez appris qu’Azure ML Studio fournit une interface utilisateur unifiée couvrant tout le cycle de vie de l’apprentissage automatique, des données au modèle déployé, qu’AutoML automatise la sélection des algorithmes et le réglage des hyperparamètres sans expertise en apprentissage automatique, et que les points de terminaison en ligne et par lots managés déploient des modèles entraînés sous forme d’API REST pour effectuer des calculs de scores en temps réel ou asynchrones à grande échelle. Nous allons maintenant découvrir Azure OpenAI Service pour intégrer de grands modèles de langage dans des applications.