Conhecendo Microsoft Azure Machine Learning
O que é o Microsoft Azure Machine Learning?
O Microsoft Azure Machine Learning (Azure ML) é um serviço em nuvem (cloud) com o objetivo de podermos implementar modelos de Machine Learning (ML) de forma rápida, fácil e eficaz.
Utilizando o Azure (ML) conseguimos criar modelos preditivos, utilizando datasets de treino das mais variadas fontes para depois realizarmos o deploy do mesmo utilizando o web services com o serviço Cloud da Microsoft.
Uma das vantagens do Azure ML é a possibilidade de criar experimentos de ML utilizando as dezenas de modelos disponíveis, totalmente prontos, ou até mesmo criar os próprios modelos com R ou Python.
Uma das grandes vantagens do Azure ML é a possibilidade de rapidamente criar experimentos, avaliar sua efetividade e como a Microsoft gosta de chamar “fail fast”, ou seja, cometer os erros de forma antecipada no seu projeto, o mais rápido possível, visando reduzir o ciclo total de desenvolvimento dos modelos analíticos. E tudo isso no melhor estilo Microsoft “arrastar e soltar”.
Porém, não julgue que pelo fato de termos uma ferramenta tão eficaz e poderosa que não necessitamos de ter conhecimento avançado dos algoritmos de ML e das teorias necessárias para compreender com clareza o que pode ser feito no Azure ML.
Atualmente o Azure está disponível, em mais de 140 países, suporta 10 idiomas, 19 moedas e segundo a Microsoft, o investimento no desenvolvimento do Azure é de mais de 15 bilhões de dólares.
Conhecendo o fluxo do Azure ML
Vamos conhecer um pouco mais do fluxo do Azure ML:
Data (dados) - Tudo o que pode ser coletado, organizado, analisado, das diversas formas, fontes e tamanhos.
Create Model (criando o modelo) - É nessa etapa onde o modelo de ML é criado.
Evaluate Model (avaliação do modelo) - Momento onde a acurácia do modelo de ML é avaliada, baseado na habilidade de prever o resultado correto, quando os valores de entrada e saída são conhecidos.
Refinar e Avaliar o Modelo – fazer comparações, contrastes e combinar modelos alternativos a fim de encontrar a correta combinação que vai levar aos resultados mais consistentes.
Deploy - Quando e dá a publicação do modelo como uma solução web service, disponível para acesso pela internet
Test/Use Model (testar e usar o modelo) - implementar seu modelo e criar processos automáticos de teste para continuar melhorando o modelo e aumentar a acurácia. À medida que o modelo vai aprendendo com os erros, ao contrário dos humanos, ele não vai repeti-los novamente.
O Cientista de Dados pode usar o Machine Learning Studio e sua interface visual “drag-and-drop”, para executar este workflow em seus projetos de Data Science. O ML Studio tem suporte a análise estatística com R e suporte a mais de 300 pacotes nativos do R, bem como a possibilidade de criar seus próprios scripts. É possível também utilizar Python e SQL.
Seus modelos de ML podem acessar dados dentro do ML Studio, dados que venham da plataforma de Big Data da Microsoft, o HDInsight ou mesmo importar os dados que estejam no seu desktop.
Uma vez que os modelos estejam prontos para publicação, eles então ficam disponíveis através de API’s. Os resultados dos modelos podem ser acessados pelos usuários de qualquer lugar e qualquer dispositivo. Este basicamente é o conceito de MLaaS (Machine Learning as a Service).
O objetivo da Microsoft com o Azure Machine Learning é tornar mais fácil o começo da exploração dos dados – basta criar uma assinatura Azure, criar um espaço de trabalho e começar a trabalhar no ML Studio. A Microsoft fornece uma ampla documentação técnica adicional com muitos vídeos e tutoriais educacionais e acesso trial gratuito de 30 dias. Você também pode navegar na galeria ML Studio para saber como obter dados de exemplo, realizar experimentos e muito mais.
Esperamos ter contribuído com um pouco mais de conhecimento para vocês, sobre esta fantástica ferramenta.
Vossa contribuição é importante, não esqueçam de deixar um comentário!
Abraços e bons estudos
Comentários
Postar um comentário