Cloud & IT Cert Prep · บทเรียน

Azure Machine Learning Studio

Azure Machine Learning Studio เป็นบทเรียน Cloud & IT Cert Prep ฟรีบน CoddyKit นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Cloud & IT Cert Prep และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Cloud & IT Cert Prep มีบทเรียนทั้งหมด 4 บทเรียน

Azure Machine Learning คืออะไร

Azure Machine Learning (Azure ML) คือแพลตฟอร์มคลาวด์แบบมีการจัดการสำหรับวงจรชีวิตแมชชีนเลิร์นนิงอย่างครบถ้วน ตั้งแต่การเตรียมข้อมูล การติดตามการทดลอง การฝึกโมเดล การประเมินผล การนำไปใช้งาน และการตรวจสอบ แตกต่างจาก Azure AI Services ซึ่งมี AI ที่สร้างไว้ล่วงหน้า Azure ML ช่วยให้คุณฝึกโมเดลของตนเองด้วยข้อมูลของตนเอง โดยใช้กรอบงานแมชชีนเลิร์นนิงใดก็ได้ เช่น scikit-learn TensorFlow PyTorch XGBoost และอื่น ๆ แพลตฟอร์มนี้เป็นตัวเลือกที่แนะนำสำหรับนักวิทยาศาสตร์ข้อมูลและวิศวกรแมชชีนเลิร์นนิงที่ทำงานบน Azure

พื้นที่ทำงาน Azure ML

พื้นที่ทำงาน Azure ML คือทรัพยากรระดับบนสุดที่เชื่อมโยงทรัพยากร ML ทั้งหมดเข้าด้วยกัน ได้แก่ คลัสเตอร์ประมวลผล ชุดข้อมูล การทดลอง โมเดล และการนำไปใช้งาน เมื่อคุณสร้างพื้นที่ทำงาน Azure จะจัดเตรียม บัญชีที่เก็บข้อมูล (สำหรับข้อมูล) Key Vault (สำหรับข้อมูลลับ) Application Insights (สำหรับตรวจสอบการนำไปใช้งาน) และอาจจัดเตรียม Container Registry (สำหรับสภาพแวดล้อมแบบกำหนดเอง) ให้โดยอัตโนมัติ ทุกอย่างในโครงการ ML จะอยู่ภายในพื้นที่ทำงานเดียว ทำให้การทำงานร่วมกันและการกำกับดูแลเป็นเรื่องง่าย

# Create an Azure ML workspace
az ml workspace create \
  --name myMLWorkspace \
  --resource-group myRG \
  --location eastus

ส่วนติดต่อ Azure ML Studio

Azure ML Studio คือส่วนติดต่อผู้ใช้บนเว็บสำหรับพื้นที่ทำงาน Azure ML ที่ ml.azure.com โดยจัดระเบียบงานเป็นส่วนต่าง ๆ ได้แก่ สมุดบันทึก (สภาพแวดล้อม Jupyter สำหรับเขียนโค้ดแบบโต้ตอบ) แมชชีนเลิร์นนิงอัตโนมัติ (การฝึกโมเดลโดยไม่ต้องเขียนโค้ด) ตัวออกแบบ (เครื่องมือสร้างไปป์ไลน์แบบลากแล้ววาง) งาน (ประวัติการทำงานฝึกโมเดลและเมตริก) โมเดล (รีจิสทรีโมเดล) จุดสิ้นสุด (API ของโมเดลที่นำไปใช้งานแล้ว) และ ข้อมูล (การจัดการชุดข้อมูล) Studio ออกแบบมาสำหรับทั้งนักวิทยาศาสตร์ข้อมูลและวิศวกรแมชชีนเลิร์นนิง

แมชชีนเลิร์นนิงอัตโนมัติ (AutoML)

แมชชีนเลิร์นนิงอัตโนมัติ จะทำให้กระบวนการวนซ้ำในการเลือกอัลกอริทึมและไฮเปอร์พารามิเตอร์เป็นแบบอัตโนมัติ คุณจัดเตรียมชุดข้อมูลที่มีป้ายกำกับ ระบุประเภทงาน (การจำแนกประเภท การถดถอย หรือการพยากรณ์อนุกรมเวลา) เลือกคอลัมน์เป้าหมาย และกำหนดเวลาที่ใช้ AutoML จะฝึกตัวเลือกโมเดลหลายร้อยรายการพร้อมกัน ประเมินผลแต่ละรายการ และส่งคืนกระดานจัดอันดับ โมเดลที่ดีที่สุดจะได้รับการลงทะเบียนในรีจิสทรีโมเดลโดยอัตโนมัติ และสามารถนำไปใช้งานได้ด้วยการคลิกเพียงครั้งเดียว คุณไม่จำเป็นต้องมีความเชี่ยวชาญด้าน ML ก็สามารถสร้างโมเดลที่ใช้งานได้

# Submit an AutoML job via CLI v2
az ml job create \
  --file automl_job.yaml \
  --resource-group myRG \
  --workspace-name myMLWorkspace

# automl_job.yaml excerpt:
# type: automl
# task: classification
# primary_metric: accuracy
# training_data:
#   path: azureml:myDataset:1
# target_column_name: label
# n_cross_validations: 5

เป้าหมายการประมวลผล

Azure ML รองรับเป้าหมายการประมวลผลหลายรูปแบบสำหรับการฝึกและการอนุมาน อินสแตนซ์การประมวลผลคือ VM แบบมีการจัดการโหนดเดียวที่ใช้สำหรับพัฒนาสมุดบันทึกแบบโต้ตอบ คลัสเตอร์การประมวลผลคือคลัสเตอร์หลายโหนดที่ปรับขนาดโดยอัตโนมัติ (ลดขนาดเป็น 0 เมื่อไม่มีการใช้งาน) ซึ่งใช้สำหรับงานฝึก การประมวลผลแบบไร้เซิร์ฟเวอร์ไม่ต้องจัดการคลัสเตอร์ คุณเพียงส่งงาน แล้ว Azure ML จะเลือกและจัดเตรียมการประมวลผลให้โดยอัตโนมัติ สำหรับการอนุมาน คุณสามารถนำไปใช้งานกับจุดสิ้นสุดออนไลน์แบบมีการจัดการ (แบบเรียลไทม์) จุดสิ้นสุดแบบกลุ่ม หรือ Azure Kubernetes Service ได้

# Create a compute cluster for training
az ml compute create \
  --name myTrainCluster \
  --resource-group myRG \
  --workspace-name myMLWorkspace \
  --type AmlCompute \
  --size Standard_DS3_v2 \
  --min-instances 0 \
  --max-instances 4

การติดตามการทดลองและ MLflow

Azure ML ผสานรวมกับ MLflow ซึ่งเป็นไลบรารีโอเพนซอร์สสำหรับติดตามการทดลอง ML เมื่อคุณบันทึกเมตริก พารามิเตอร์ และสิ่งประดิษฐ์โดยใช้ mlflow.log_metric() และ mlflow.log_param() Azure ML จะจัดเก็บข้อมูลเหล่านี้ไว้ในประวัติการทดลองของพื้นที่ทำงานโดยอัตโนมัติ คุณสามารถเปรียบเทียบการทำงานระหว่างการทดลองต่าง ๆ ใน Studio เพื่อระบุชุดไฮเปอร์พารามิเตอร์ที่ดีที่สุด การบันทึกโมเดลด้วย MLflow (mlflow.sklearn.log_model()) ยังลงทะเบียนโมเดลไปยังรีจิสทรีโมเดล Azure ML ได้โดยตรง

import mlflow

# In your training script
mlflow.autolog()  # auto-logs params, metrics, and models
with mlflow.start_run():
    # train your model here
    model.fit(X_train, y_train)
    accuracy = model.score(X_test, y_test)
    mlflow.log_metric('accuracy', accuracy)

แดชบอร์ด AI อย่างรับผิดชอบ

Azure ML Studio มีแดชบอร์ด AI อย่างรับผิดชอบสำหรับวิเคราะห์โมเดลที่ฝึกแล้วในด้านความเป็นธรรม ความสามารถในการอธิบาย และการวิเคราะห์ข้อผิดพลาด ส่วนประกอบการวิเคราะห์ข้อผิดพลาดจะระบุกลุ่มย่อยของชุดข้อมูลทดสอบที่โมเดลทำงานได้แย่ที่สุด ส่วนประกอบความสามารถในการอธิบาย (โดยใช้ SHAP หรือ LIME) จะแสดงว่าคุณลักษณะใดมีอิทธิพลต่อการคาดการณ์ของโมเดลมากที่สุด ส่วนการประเมินความเป็นธรรมจะตรวจสอบว่าอัตราข้อผิดพลาดของการคาดการณ์แตกต่างกันระหว่างกลุ่มประชากรหรือไม่ ซึ่งช่วยให้คุณระบุและลดอคติก่อนนำโมเดลไปใช้งาน

การนำโมเดลไปใช้งานเป็นจุดสิ้นสุดแบบเรียลไทม์

หากต้องการนำโมเดลที่ฝึกแล้วไปใช้งานสำหรับการอนุมานแบบเรียลไทม์ คุณต้องสร้างจุดสิ้นสุดออนไลน์แบบมีการจัดการใน Azure ML จุดสิ้นสุดหนึ่งจุดมีการนำไปใช้งานได้อย่างน้อยหนึ่งรายการ โดยแต่ละรายการคือโมเดลคนละเวอร์ชันที่มีการกำหนดค่าการประมวลผลของตนเอง คุณต้องระบุโมเดล สคริปต์ให้คะแนน (จุดเริ่มต้น) และชนิดอินสแตนซ์การประมวลผล คุณสามารถแบ่งการรับส่งข้อมูลระหว่างการนำไปใช้งานต่าง ๆ (เช่น 90% ไปยังสีน้ำเงิน และ 10% ไปยังสีเขียว) เพื่อทยอยเปิดตัวโมเดลเวอร์ชันใหม่อย่างปลอดภัย จุดสิ้นสุดนี้จะแสดง REST API ผ่าน HTTPS

# Deploy a model to a managed online endpoint
az ml online-endpoint create \
  --name myEndpoint \
  --resource-group myRG \
  --workspace-name myMLWorkspace

az ml online-deployment create \
  --endpoint-name myEndpoint \
  --name blue \
  --model azureml:myModel:1 \
  --instance-type Standard_DS2_v2 \
  --instance-count 1

จุดสิ้นสุดแบบกลุ่มสำหรับการให้คะแนนขนาดใหญ่

จุดสิ้นสุดแบบกลุ่มจะทำการอนุมานกับชุดข้อมูลขนาดใหญ่แบบอะซิงโครนัส แทนการให้คะแนนทีละระเบียน คุณส่งงานแบบกลุ่มที่ชี้ไปยังชุดข้อมูลอินพุต (ใน Azure Blob Storage) แล้วจุดสิ้นสุดจะประมวลผลข้อมูลแบบขนานทั่วทั้งคลัสเตอร์การประมวลผล ผลลัพธ์จะถูกเขียนไปยังตำแหน่งเอาต์พุต การอนุมานแบบกลุ่มเหมาะสำหรับการคาดการณ์การเลิกใช้บริการรายวัน การให้คะแนนความเสี่ยงด้านเครดิตรายเดือน หรือการจำแนกประเภทรูปภาพใหม่ที่อัปโหลดในแต่ละคืน ซึ่งเป็นสถานการณ์ที่เวลาแฝงต่อคำขอไม่สำคัญเท่าปริมาณงาน

การเปลี่ยนแปลงของข้อมูลและการตรวจสอบโมเดล

หลังจากนำไปใช้งาน ความแม่นยำของโมเดลอาจลดลงเมื่อเวลาผ่านไป เนื่องจากรูปแบบข้อมูลในโลกจริงเปลี่ยนแปลง ปรากฏการณ์นี้เรียกว่าการเปลี่ยนแปลงของข้อมูลหรือการเปลี่ยนแปลงของโมเดล Azure ML มีการตรวจสอบโมเดลที่เปรียบเทียบข้อมูลการอนุมานจากสภาพแวดล้อมจริงกับข้อมูลพื้นฐานสำหรับการฝึก และแจ้งเตือนเมื่อการเปลี่ยนแปลงทางสถิติเกินค่าขีดจำกัด คุณสามารถกำหนดเวลางานตรวจสอบให้ทำงานทุกวันหรือทุกสัปดาห์ได้ เมื่อพบการเปลี่ยนแปลงที่มีนัยสำคัญ นั่นเป็นสัญญาณให้ฝึกโมเดลใหม่ด้วยข้อมูลล่าสุดเพื่อรักษาคุณภาพการคาดการณ์

ไปป์ไลน์ ML สำหรับการทำงานอัตโนมัติ

ไปป์ไลน์ Azure MLทำหน้าที่ประสานเวิร์กโฟลว์ ML หลายขั้นตอน ได้แก่ การประมวลผลข้อมูลล่วงหน้า วิศวกรรมคุณลักษณะ การฝึกโมเดล การประเมินผล และการนำไปใช้งานตามเงื่อนไข ให้เป็นไปป์ไลน์ที่นำกลับมาใช้ใหม่ได้และกำหนดพารามิเตอร์ได้ แต่ละขั้นตอนจะทำงานบนเป้าหมายการประมวลผลของตนเอง คุณสามารถตั้งเวลาไปป์ไลน์ (เช่น ฝึกโมเดลใหม่ทุกสัปดาห์ด้วยข้อมูลใหม่) เรียกใช้โดย Azure Data Factory หรือเรียกใช้ผ่าน REST API ได้ ไปป์ไลน์ที่เผยแพร่แล้วจะมีการจัดการเวอร์ชันในพื้นที่ทำงาน ทำให้การทดลอง ML ทำซ้ำได้และตรวจสอบย้อนหลังได้สำหรับอุตสาหกรรมที่อยู่ภายใต้การกำกับดูแล

ตรวจสอบความเข้าใจอย่างรวดเร็ว

ทดสอบความเข้าใจแนวคิด Microsoft Azure Fundamentals (AZ-900) จากบทเรียนนี้

สรุปบทเรียน

ในบทเรียนนี้ คุณได้เรียนรู้ว่า Azure ML Studio มีส่วนติดต่อผู้ใช้แบบรวมศูนย์สำหรับวงจรชีวิต ML ทั้งหมด ตั้งแต่ข้อมูลไปจนถึงโมเดลที่นำไปใช้งานแล้ว AutoML ทำให้การเลือกอัลกอริทึมและการปรับไฮเปอร์พารามิเตอร์เป็นแบบอัตโนมัติโดยไม่ต้องมีความเชี่ยวชาญด้าน ML และจุดสิ้นสุดออนไลน์และแบบกลุ่มที่มีการจัดการจะนำโมเดลที่ฝึกแล้วไปใช้งานเป็น REST API สำหรับการให้คะแนนแบบเรียลไทม์หรือการให้คะแนนแบบอะซิงโครนัสขนาดใหญ่ บทถัดไป เราจะสำรวจ Azure OpenAI Service สำหรับผสานรวมโมเดลภาษาขนาดใหญ่เข้ากับแอปพลิเคชัน

คำถามที่พบบ่อย

บทเรียน “Azure Machine Learning Studio” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “Azure Machine Learning Studio” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Cloud & IT Cert Prep ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Cloud & IT Cert Prep มีบทเรียนทั้งหมด 4 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “Azure Machine Learning Studio”

ใช้งาน Azure Machine Learning Studio เรียกใช้การทดลองการเรียนรู้ของเครื่องแบบอัตโนมัติกับชุดข้อมูลแบบตาราง และนำโมเดลที่ดีที่สุดไปใช้งานเป็นปลายทางให้คะแนนแบบเรียลไทม์ คุณปฏิบัติ Cloud & IT Cert Prep ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน

คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Cloud & IT Cert Prep หรือไม่

ไม่จำเป็นต้องมีประสบการณ์มาก่อน Cloud & IT Cert Prep บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน

บทเรียน “Azure Machine Learning Studio” ใช้เวลานานแค่ไหน

บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย

ฉันเขียนและรันโค้ดในบทเรียน Cloud & IT Cert Prep นี้ได้ไหม

ได้ บทเรียน Cloud & IT Cert Prep ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ

บทเรียนทั้งหมดในหลักสูตรนี้

← กลับไปที่ Cloud & IT Cert Prep