[Azure Machine Learning] Terminología de Azure ML Studio

La plataforma de Microsoft AI tiene como objetivo llevar la inteligencia artificial a todos los desarrolladores y potenciar a los desarrolladores para innovar y acelerar con una variedad de servicios, infraestructura, y herramientas. Desde IA pre-construida o servicios entrenados (que requiere poco o ningún entrenamiento) hasta AI personalizada, la plataforma abierta de Microsoft AI permite a los desarrolladores utilizar varios métodos de aprendizaje profundo y herramientas de aprendizaje automático.

Servicios de IA

IA personalizada o AI Custom Services

Azure Machine Learning nos permite desarrollar modelos de aprendizaje automático y aprendizaje profundo, entrenarlos en la nube y personalizarlos. Esto acompañado de una variedad de servicios de cómputo que están disponibles en Azure para que podamos almacenar y procesar nuestros datos.

Azure Machine Learning también proporciona un servicio de experimentación, el cual nos permite iniciar prototipos rápidos en el escritorio y escalar esto para ejecutarse en máquinas virtuales de aprendizaje profundo, Spark clusters y servicios de Azure Batch AI. Además, Azure Machine Learning nos permite administrar el rendimiento y ciclo de vida de los modelos, y para colaborar o compartir soluciones usando Git. Los contenedores de Docker nos permiten rápidamente implementar modelos en producción en el nube, en las instalaciones, o para dispositivos periféricos inteligentes.

IA pre-construida o AI Trained Services

Podemos consumir servicios “terminados” de alto nivel que aceleren el desarrollo de aplicaciones inteligentes, con unas pocas líneas de código. Los Servicios Cognitivos proporcionan IA precompilada, a través de un conjunto de APIs, SDKs, y servicios. Esto nos permite como desarrolladores integrar la IA en nuestras aplicaciones, sitios web, bots, y más.

De hecho, ya hemos visto algunas cosas con estos servicios que compartiré a continuación:

Bot Framework

Proporciona herramientas para acelerar el desarrollo de la IA conversacional. Se integra perfectamente con Cortana, Office 365, Slack, Facebook Messenger y más. Bot Framework es una plataforma para construir, conectar, probar y desplegar potentes e inteligentes bots. Con soporte para .NET, Node.js, y REST, podemos obtener el SDK de Bot Builder y comenzar rápidamente a construir bots con el Bot Framework. Además, también podemos aprovechar los Servicios Cognitivos para agregar características inteligentes como la comprensión del lenguaje natural, el reconocimiento de imágenes, habla, y más.

Herramientas de IA

Entre las herramientas de codificación y administración en la plataforma Microsoft AI está Visual Studio Tools para IA, que nos permite crear, depurar, probar e implementar IA con Visual Studio Code en Windows y Mac. Además, podemos aprovechar varias herramientas como Jupyter Notebooks, PyCharm y más.

La plataforma de Microsoft AI también se integra con otros frameworks de aprendizaje automático y de aprendizaje profundos, incluyendo TensorFlow, Caffe2, Microsoft Cognitive toolkit (CNTK), Scikit-learn, MXNet, Keras y Chainer.

Azure ML Studio

Azure Machine Learning (ML) Studio es la herramienta principal que utilizaremos para desarrollar soluciones analíticas predictivas en la nube de Microsoft Azure. El entorno de aprendizaje de Azure Machine Learning Studio está completamente basado en la nube y es autónomo. Cuenta con un completo entorno de desarrollo, pruebas y producción para crear rápidamente soluciones analíticas predictivas.

Azure Machine Learning

Contiene todas las herramientas necesarias para diseñar, desarrollar, compartir, probar, y desplegar soluciones de analítica predictiva en la nube de Microsoft Azure.

Azure Machine Learning workspaces

Representa una “porción” discreta del conjunto de herramientas de Azure Machine Learning que se puede dividir según los siguientes criterios:

  • Workspace name Se requiere que sea único y es el método principal para identificar un área de trabajo de Machine Learning.
  • Workspace owner Cuenta de Microsoft válida que se usará para administrar el acceso a este espacio de trabajo de Azure Machine Learning.
  • Data center location Define la ubicación física del Centro de datos de Azure para alojar el área de trabajo de Aprendizaje automático de Azure.
  • Storage account Define la cuenta de almacenamiento de Azure única que se utilizará para almacenar todos los datos y artefactos relacionados con este espacio de trabajo de Azure Machine Learning.

Azure Machine Learning experiments

Los experimentos se crean dentro de los espacios de trabajo de Azure Machine Learning y representan el método principal para habilitar un enfoque iterativo para desarrollar rápidamente las soluciones de Azure Machine Learning. Dentro de cada experimento de Azure Machine Learning, Azure ML Studio nos brinda un espacio de trabajo visual e interactivo para construir, probar e iterar fácilmente en un experimento analítico predictivo. Estos experimentos se pueden enviar a Azure ML Studio para su ejecución. Los experimentos de Azure Machine Learning son altamente iterativos. Podemos crear, editar, probar, guardar y volver a ejecutar experimentos fácilmente. El uso de los experimentos de Azure Machine Learning está diseñado específicamente para permitir a los científicos de datos modernos “fallar rápidamente” al evaluar nuevos modelos predictivos y al mismo tiempo proporcionar la capacidad de progresar en la retroalimentación del modelo predictivo para futuros refinamientos de modelos.

Azure ML Studio

Esta es la principal mesa de trabajo de análisis predictivo al que se accede desde un Azure Machine Learning workspace para permitir que un científico de datos cree experimentos de Azure Machine Learning a través de una interfaz de diseñador visual de arrastrar y soltar. Además de permitir la creación de nuevos experimentos, Azure ML Studio también tiene enlaces para probar experimentos de Azure Machine Learning. Estos se proporcionan para que pueda aprender fácilmente de los demás a medida que avanza en su camino hacia la ciencia de la información y aproveche algunas de las mejores técnicas y herramientas de procesamiento en la industria para ayudarlo a lograr sus objetivos específicos de análisis predictivo.

Azure Machine Learning web services

Estos representan experimentos de Azure Machine Learning que se han expuesto como APIs públicas a través de Internet en forma de la API REST de Azure Machine Learning. Estos servicios generalmente se exponen como un servicio web simple o como un punto final de OData. La API proporciona dos tipos de interfaces web RESTful:

  • Request Response Service (RRS) Para usos individuales de baja latencia y síncronos para hacer predicciones.
  • Batch Execution Service (BES) Para la puntuación asíncrona de un lote de registros de datos. La entrada para BES es un lote de registros de una variedad de fuentes como blobs, tablas, SQL Azure, HD Insight (como resultado de una Hive Query) y fuentes HTTP.

Datasets

Estos son datos que se han cargado en Azure ML Studio para que puedan usarse en el proceso de modelado de predicción. Además, Azure ML Studio incluye una serie de conjuntos de datos de muestra para experimentar.

Modules

Estos son algoritmos que podemos aplicar a nuestros datos. Azure ML Studio tiene una serie de módulos que van desde funciones de ingreso de datos hasta procesos de entrenamiento, puntuación y validación. Aquí hay algunos ejemplos de módulos incluidos:

  • Convert to ARFF Convierte un conjunto de datos serializados .NET al formato ARFF. ARFF es una construcción de aprendizaje automático común y representa el formato de archivo de relación de atributo. Normalmente se define como un archivo de texto ASCII que describe una lista de instancias que comparten un conjunto de atributos.
  • Elementary Statistics Calcula estadísticas elementales como la media, la desviación estándar, etc.
  • Linear Regression Crea un gradiente en línea, basado en el modelo de regresión lineal.
  • Score Model Puntúa un modelo entrenado de clasificación o regresión.

Un módulo puede tener un conjunto de parámetros que se pueden usar para configurar los algoritmos internos del módulo. Cuando seleccionamos un módulo en el canvas o el diseñador visual, sus parámetros se muestran en el panel de la derecha y podemos modificar los parámetros en ese panel para ajustar el modelo.

Agregue un comentario

Su dirección de correo no se hará público.