Microsoft Azure Machine Learning
Microsoft Azure Machine Learning ist eine Sammlung von Diensten und Tools, die Entwicklern helfen, Modelle für maschinelles Lernen zu trainieren und einzusetzen. Microsoft stellt diese Tools und Services über seine Public Cloud Azure zur Verfügung.
Microsoft Azure Machine Learning umfasst eine Reihe von Tools und Diensten, darunter:
Azure Machine Learning Workbench: Workbench ist eine Windows/macOS-Anwendung, welche die primären Aufgaben für Machine-Learning-Projekte übernimmt. Dazu gehören unter anderem Datenimport und -aufbereitung, Modellentwicklung, Verwaltung der Experimente sowie die Modellbereitstellung in verschiedenen Umgebungen. Workbench arbeitet mit wichtigen Tools von Drittanbietern zusammen, darunter Git für die Versionskontrolle und Jupyter Notebook für die Datenbereinigung und -transformation, statistische Modellierung und Datenvisualisierung.
Azure Machine Learning Experimentation Service: Dieser Service arbeitet mit Workbench zusammen. Hierüber erfolgen das Projektmanagement, die Zugriffskontrolle und die Versionsverwaltung (über Git). Der Service unterstützt die Ausführung von Machine-Learning-Experimenten, um Modelle zu erstellen und zu trainieren. Experimentation betrifft auch die Schaffung von virtualisierten Umgebungen, die es den Entwicklern ermöglichen, die Modelle zu isolieren und zu betreiben. Jeder einzelne Testlauf wird detailliert protokolliert, um die Modellentwicklung zu unterstützen. Dieser Service kann die Modelle lokal, in einem Docker-Container, in einen Docker-Container in einer entfernten virtuellen Maschine (VM) oder über einen Scale-Out Spark-Cluster in Azure bereitstellen.
Azure Machine Learning Model Management: Mit diesem Service können Entwickler verschiedene Modellversionen rückverfolgen und verwalten, sie können Modelle registrieren und speichern sowie die Modelle und deren Abhängigkeiten in Docker-Images bearbeiten. Wenn diese Images auf der Azure-Plattform bei Docker registriert sind, können sie in einer breiten Palette von Umgebungen, einschließlich IoT-Edge-Geräten, bereitgestellt werden.
Microsoft Machine Learning Bibliotheken für Apache Spark (MMLSpark): MMLSpark bietet eine Reihe von Tools, die die Spark-Pipelines mit verwandten Machine Learning Tools integrieren, zum Beispiel den Microsoft Cognitive Services und die OpenCV-Bibliothek. Diese Bibliotheken beschleunigen die Entwicklung von Machine-Learning-Modellen, die Bild- und Textdaten enthalten.
Visual Studio Code Tools für KI: Dieser Service ist eine Erweiterung von Visual Studio Code (VS Code), einem Desktop-basierten Quellcode-Editor für Windows, macOS und Linux. Er erleichtert Entwicklern das Erstellen von Skripten und das Sammeln von Messwerten für Experimente auf der Azure Machine-Learning-Plattform.
Azure Machine Learning Studio: Dies ist ein visuelles Drag-and-Drop-Tool, mit dem Benutzer Predictive Analytics ohne Programmieraufwand erstellen und implementieren können.
Bereitstellung von Azure Machine Learning
Data Scientists und Softwareentwickler können Microsofts Azure Machine Learning Tools zum Erstellen und Bereitstellen ihrer Modellen entweder On-Premises, in der Azure-Cloud oder in der Edge mit Azure IoT Edge Computing nutzen. Azure bietet darüber hinaus noch mehrere leistungsstarke Deployment-Optionen an:
VMs mit Grafikprozessoren (GPUs): Die Azure VMs für Machine-Learning-Projekte verwenden zunehmend GPUs anstelle von traditionellen CPUs, da sie die komplexe Berechnungen und Parallelverarbeitung zur effizienten Bildbearbeitung besser bewältigen. Dieses Feature ist ideal für Berechnungen bei KI- und ML-Programmen.
Field-Programmable Gate Arrays (FPGAs) as a Service: FPGA-Chips können mit Hilfe von Machine-Learning-Modellen programmiert werden, wodurch die Modelle mit der Hardwaregeschwindigkeit des Computers arbeiten und die Leistung von Machine-Learning- und Datenanalyseprojekten erheblich verbessert wird. FPGA-Services sind derzeit jedoch auf die Unterstützung von Projekten in der TensorFlow- und ResNet50-basierten Image-Klassifizierung und -Erkennung beschränkt.
Microsoft Machine Learning Server: Diese Deployment-Option ist ein Server der Enterprise-Klasse, der speziell für verteilte, massiv-parallele Workloads entwickelt wurde, die in Sprachen wie R oder Python entwickelt wurden. Er ist für Aufgaben wie High Performance -Analytics, Machine Learning und Datenanalyse gedacht. Er läuft unter Linux und Windows und nutzt Hadoop und Apache Spark.
Azure Data Science Virtual Machine: Dies ist eine virtuelle Maschine in Azure, die für Data-Science-Projekte unter Windows Server, Ubuntu Linux und OpenLogic CentOS gedacht ist. Sie umfasst Tools für Data Science und Softwareentwicklung. Unternehmen können damit Datenanalyse- und Machine-Learning-Anwendungen erstellen. Die Entwickler können die Azure Data Science Virtual Machines auch von Azure Experimentation Service oder Model Management aufrufen.
Microsoft Azure Machine Learning ist mit einer Reihe von Machine-Learning-Plattformen und -Frameworks integriert, von denen viele Open Source sind. Neben den Microsoft Cognitive Services werden auch Spark ML, TensorFlow und das scikit-learn Framework unterstützt.
