Azure Machine Learning Studio

O Azure Machine Learning (Azure ML) é uma plataforma de nuvem gerenciada para todo o ciclo de vida do aprendizado de máquina: preparação de dados, acompanhamento de experimentos, treinamento de modelos, avaliação, implantação e monitoramento. Diferentemente dos Serviços de IA do Azure (que fornecem IA pré-criada), o Azure ML permite treinar seus próprios modelos com seus próprios dados usando qualquer estrutura de ML: scikit-learn, TensorFlow, PyTorch, XGBoost e outras. Essa é a plataforma preferida por cientistas de dados e engenheiros de ML que trabalham no Azure.

Um workspace do Azure ML é o recurso de nível mais alto que reúne todos os recursos de ML: clusters de computação, conjuntos de dados, experimentos, modelos e implantações. Quando você cria um workspace, o Azure provisiona automaticamente uma conta de armazenamento vinculada (para dados), um cofre de chaves (para segredos), o Application Insights (para monitoramento de implantações) e, opcionalmente, um registro de contêineres (para ambientes personalizados). Tudo em um projeto de ML fica dentro de um único workspace, o que simplifica a colaboração e a governança.

O Azure ML Studio é a interface web do workspace do Azure ML em ml.azure.com. Ele organiza o trabalho em seções: Notebooks (ambiente Jupyter para programação interativa), ML automatizado (treinamento de modelos sem código), Designer (criador de pipelines com recurso de arrastar e soltar), Jobs (histórico e métricas das execuções de treinamento), Models (registro de modelos), Endpoints (APIs de modelos implantados) e Data (gerenciamento de conjuntos de dados). O Studio foi desenvolvido tanto para cientistas de dados quanto para engenheiros de ML.

O ML automatizado automatiza o processo iterativo de seleção de algoritmos e hiperparâmetros. Você fornece um conjunto de dados rotulado, especifica o tipo de tarefa (classificação, regressão ou previsão de séries temporais), seleciona a coluna-alvo e define um orçamento de tempo. O AutoML treina centenas de modelos candidatos em paralelo, avalia cada um deles e retorna uma classificação. O melhor modelo é registrado automaticamente no registro de modelos e pode ser implantado com um clique. Não é necessário ter experiência em ML para obter um modelo funcional.

O Azure ML é compatível com vários destinos de computação para treinamento e inferência. Instâncias de computação são VMs gerenciadas de um único nó, usadas para o desenvolvimento interativo em notebooks. Clusters de computação são clusters de vários nós com escalonamento automático (reduzidos a 0 quando estão ociosos), usados para jobs de treinamento. A computação sem servidor não exige gerenciamento de clusters: você envia um job, e o Azure ML seleciona e provisiona a computação automaticamente. Para inferência, você pode implantar em endpoints online gerenciados (em tempo real), endpoints em lote ou no Azure Kubernetes Service.

O Azure ML é integrado ao MLflow, a biblioteca de código aberto para acompanhamento de experimentos de ML. Quando você registra métricas, parâmetros e artefatos usando mlflow.log_metric() e mlflow.log_param(), o Azure ML os armazena automaticamente no histórico de experimentos do workspace. Você pode comparar execuções entre experimentos no Studio para identificar a melhor combinação de hiperparâmetros. O registro de modelos do MLflow (mlflow.sklearn.log_model()) também registra modelos diretamente no registro de modelos do Azure ML.

O Azure ML Studio inclui um Painel de IA responsável que analisa seu modelo treinado quanto à imparcialidade, à interpretabilidade e aos erros. O componente de análise de erros identifica subgrupos do conjunto de dados de teste nos quais o modelo apresenta o pior desempenho. O componente de interpretabilidade (usando SHAP ou LIME) mostra quais recursos mais influenciam as previsões do modelo. A avaliação de imparcialidade verifica se as taxas de erro das previsões diferem entre grupos demográficos, ajudando você a identificar e reduzir vieses antes da implantação.

Para implantar um modelo treinado para inferência em tempo real, você cria um endpoint online gerenciado no Azure ML. Um endpoint tem uma ou mais implantações; cada implantação é uma versão do modelo com sua própria configuração de computação. Você especifica o modelo, um script de pontuação (ponto de entrada) e o tipo de instância de computação. O tráfego pode ser dividido entre implantações (por exemplo, 90% para a azul e 10% para a verde) para lançar novas versões do modelo com segurança. O endpoint expõe uma API REST HTTPS.

Os endpoints em lote executam inferência de forma assíncrona em grandes conjuntos de dados, em vez de pontuar um registro por vez. Você envia um job em lote que aponta para um conjunto de dados de entrada (no Azure Blob Storage), e o endpoint o processa em paralelo em um cluster de computação. Os resultados são gravados em um local de saída. A inferência em lote é ideal para execuções diárias de previsão de cancelamento de clientes, pontuação mensal de risco de crédito ou classificação noturna de novas imagens enviadas pelos usuários — cenários em que a latência por solicitação não é crítica, mas a capacidade de processamento é importante.

Após a implantação, a precisão do modelo pode diminuir com o tempo à medida que os padrões dos dados do mundo real mudam — um fenômeno chamado deriva de dados ou deriva do modelo. O Azure ML fornece monitoramento de modelos, que compara os dados de inferência da produção com a referência de treinamento e envia alertas quando a deriva estatística excede um limite. Você pode agendar jobs de monitoramento diários ou semanais. Quando uma deriva significativa é detectada, isso indica que o modelo deve ser treinado novamente com dados recentes para manter a qualidade das previsões.

Os Pipelines do Azure ML orquestram fluxos de trabalho de ML com várias etapas — pré-processamento de dados, engenharia de recursos, treinamento e avaliação de modelos e implantação condicional — como um pipeline reutilizável e parametrizado. Cada etapa é executada em seu próprio destino de computação. Os pipelines podem ser agendados (por exemplo, para treinar novamente toda semana com dados novos), acionados pelo Azure Data Factory ou invocados por meio de uma API REST. Os pipelines publicados são versionados no workspace, permitindo experimentos de ML reproduzíveis e auditabilidade em setores regulamentados.

Teste sua compreensão dos conceitos do Microsoft Azure Fundamentals (AZ-900) apresentados nesta lição.

Nesta lição, você aprendeu que o Azure ML Studio fornece uma interface unificada para todo o ciclo de vida de ML, dos dados ao modelo implantado; o AutoML automatiza a seleção de algoritmos e o ajuste de hiperparâmetros sem exigir experiência em ML; e os endpoints online e em lote gerenciados implantam modelos treinados como APIs REST para pontuação em tempo real ou assíncrona em larga escala. A seguir, exploraremos o Azure OpenAI Service para integrar modelos de linguagem grandes a aplicativos.