Omitir navegación

Azure Machine Learning: ML para todos los niveles de aptitud

Publicado el 5 noviembre, 2019

Group Program Manager, Microsoft Azure

Actualmente, las empresas están adoptando la inteligencia artificial (IA) a un ritmo acelerado para mantenerse a la vanguardia de la competencia, ofrecer innovaciones, mejorar las experiencias de los clientes y aumentar los ingresos. Las aplicaciones de IA y aprendizaje automático están dando cabida a una nueva era de transformación de distintos sectores, desde conjunto de aptitudes, pasando por escala, eficiencia y operaciones, hasta gobernanza.

Microsoft Azure Machine Learning ofrece funcionalidades de nivel empresarial para acelerar el ciclo de vida del aprendizaje automático, y permite que desarrolladores y científicos de datos de todos los niveles de aptitud compilen, entrenen, implementen y administren modelos de manera responsable y a escala. En Microsoft Ignite, estamos anunciando una serie de grandes avances en Azure Machine Learning en las áreas siguientes:

  • La nueva experiencia web de Studio, que amplía la productividad del aprendizaje automático para desarrolladores y científicos de datos de todos los niveles de aptitud, con opciones de creación flexibles, desde arrastrar y colocar sin código, pasando por aprendizaje automático automatizado, hasta desarrollo de código primero.
  • Nuevas funcionalidades de Machine Learning Operations (MLOps) líderes del sector para administrar el ciclo de vida del aprendizaje automático, lo que permite que los equipos de ciencia de datos y TI logren innovaciones con mayor rapidez.
  • Nuevas funcionalidades abiertas e interoperativas que ofrecen opciones y flexibilidad con compatibilidad con R, Azure Synapse Analytics, Azure Open Datasets, ONNX y otros marcos, lenguajes y herramientas habituales.
  • Nuevas características de seguridad y gobernanza, incluido control de acceso basado en rol (RBAC), Azure Virtual Network (VNet), administración de capacidad, y funcionalidades de interpretabilidad e imparcialidad de IA responsables de vanguardia.

Vamos a analizar estos anuncios en detalle para ver de qué manera Azure Machine Learning ayuda a personas, equipos y organizaciones a cumplir y superar los objetivos de negocio.

Acceso al aprendizaje automático para todos los niveles y aumentar la productividad

“Al mejorar la previsión usando el aprendizaje automático automatizado de Azure Machine Learning, podemos reducir el desperdicio y asegurar que las pizzas estén listas para nuestros clientes. Esto reducirá las conjeturas de nuestros operadores y les permitirá dedicar más tiempo a centrarse en otros aspectos de las operaciones de la tienda. En lugar de adivinar cuántas pizzas deben tener listas, los operadores de la tienda se centran en asegurarse de que la experiencia de cada cliente sea excelente”. Anita Klopfenstein, directora general de Little Caesars Pizza.

La nueva experiencia web de Studio (actualmente en versión preliminar) permite que científicos de datos e ingenieros de datos de todos los niveles de conocimiento completen tareas integrales de aprendizaje automático, incluida la preparación de datos, el entrenamiento de modelos, la implementación y la administración sin problemas. Elija entre tres opciones distintas de creación según sus aptitudes y preferencias: experiencia de diseñador de arrastrar y colocar sin código, aprendizaje automático automatizado o cuadernos de código primero. Acceda a los recursos de Azure Machine Learning (incluidos conjuntos de datos y modelos) y funcionalidades enriquecidas (incluido el desfase de datos, la supervisión, el etiquetado y más), todo desde una única ubicación.

 

La nueva experiencia web de Studio ofrece acceso a todas las tareas de ciclo de vida del aprendizaje automático desde un único panel.

Experiencia web con Studio

El Diseñador (actualmente en versión preliminar) ofrece flujos de trabajo de arrastrar y colocar para simplificar el proceso de compilación, prueba e implementación de modelos de Machine Learning usando una experiencia visual. Se anima a los clientes que actualmente usan la versión clásica de Azure Machine Learning Studio a que prueben el Diseñador para poder aprovechar las ventajas de la escala y la seguridad de Azure Machine Learning.

La interfaz de usuario de aprendizaje automático automatizado (actualmente en versión preliminar) ayuda a los científicos de datos a crear modelos sin escribir una sola línea de código. Automatice las tareas que requieren mucho tiempo relacionadas con la ingeniería de características, la selección de algoritmos y el barrido de hiperparámetros, y luego haga operativo el modelo con unos pocos clics en un botón.

Los Cuadernos (actualmente en versión preliminar) son una solución totalmente administrada para que desarrolladores y científicos de datos empiecen a trabajar con el aprendizaje automático, mediante entornos personalizados preconfigurados que eliminan el tiempo de configuración, a la vez que ofrecen a los administradores de TI funcionalidades de administración y adecuación para empresas.

Nuevo etiquetado de datos (actualmente en versión preliminar). Los datos con un etiquetado de alta calidad son fundamentales para generar modelos de alta precisión para el aprendizaje supervisado. Ahora, los equipos pueden administrar los proyectos de etiquetado de datos sin problemas desde la experiencia web de Studio para obtener etiquetas frente a datos, lo que acelera el proceso de etiquetado manual, que consume mucho tiempo. Entre las tareas de etiquetado admitidas se incluyen la detección de objetos, la clasificación de imágenes de varias clases y la clasificación de imágenes de varias etiquetas.

Operacionalización a escala con MLOps líder del sector

Las características de Azure Machine Learning integran funcionalidades de MLOps para la administración del ciclo de vida del aprendizaje automático de nivel empresarial, lo que permite que los equipos de ciencia de datos y TI colaboren y aumenten el ritmo de desarrollo e implementación de modelos.

“TransLink pudo aprovechar MLOps en Azure Machine Learning para crear y administrar modelos e implementarlos en producción. Esto generó enormes eficiencias y transparencia, ya que movimos más de 16 000 modelos de Machine Learning del piloto a producción. En definitiva, los clientes de TransLink se beneficiaron de una mejora del 74 % entre los tiempos previstos y reales de partida de los autobuses, por lo que pueden planificar mejor sus viajes en la red de autobuses de TransLink”. Sze-Wan Ng, directora de Análisis y Desarrollo de TransLink.

Nuevas actualizaciones para crear modelos reproducibles y lograr la gobernanza y el control del aprendizaje automático

Los conjuntos de datos ayudan a los científicos de datos e ingenieros de aprendizaje automático a acceder fácilmente a los datos a partir de diversos servicios de almacenamiento de Azure, aplicar conjuntos de datos rápidamente, reutilizarlos de manera eficiente de una tarea a otra, y hacer un seguimiento automático del linaje de datos. Los registros enriquecidos de conjuntos de datos y modelos ayudan a hacer un seguimiento de recursos e información para hacer operativos los modelos de manera eficaz y simplificar los flujos de trabajo desde el entrenamiento hasta la inferencia. El control de versiones ayuda a hacer un seguimiento de los recursos y a administrarlos, al ofrecer una rastreabilidad mejorada y admitir la creación de canalizaciones reproducibles para una entrega coherente de modelos. Las funcionalidades de registro de auditoría aseguran la integridad de los recursos y ofrecen registros de control para ayudar a cumplir con los requisitos normativos.

Nuevas actualizaciones para implementar modelos fácilmente y administrar de manera eficiente el ciclo de vida del aprendizaje automático

La inferencia de lotes ayuda a aumentar la productividad y disminuir los costos al generar predicciones en terabytes de datos estructurados y no estructurados. La implementación controlada permite la implementación de distintas versiones de modelos en un punto de conexión de puntuación común, a fin de implementar una canalización de implementación sofisticada y publicar modelos con confianza. La supervisión del desfase de datos ayuda a mantener la precisión de los modelos al detectar problemas de rendimiento de los modelos a partir de cambios en los datos de entrada del los modelos a lo largo del tiempo. El análisis de desfase incluye la magnitud del desfase, la contribución por característica y otras conclusiones, de modo que pueda adoptarse la medida apropiada, incluido volver a entrenar el modelo

 

Las funcionalidades de MLOps, como las visualizaciones del desfase de datos, ofrecen métricas, como la magnitud del desfase, que aquí aumenta con el tiempo, y la contribución de las características al desfase, en la experiencia web de Studio.

Supervisión del desfase de datos

Innovación con funcionalidades abiertas e interoperables

Con Azure Machine Learning, los desarrolladores y científicos de datos pueden acceder a soporte integrado para herramientas de código abierto y marcos, como PyTorch, TensorFlow y scikit-learn, o el formato ONNX abierto e interoperable. Ahora se admite Open Neural Network Exchange (ONNX), el estándar abierto para representar el aprendizaje automático. Con la nueva versión v1.0, ONNX Runtime ofrece API de Python estables que pueden utilizarse en Azure Machine Learning tanto en CPU como GPU.

Las nuevas funcionalidades basadas en R permiten que los científicos de datos ejecuten trabajos de R en Azure Machine Learning y, luego, administren e implementen modelos de R como servicios web. Los científicos de datos pueden elegir el entorno de desarrollo de su elección: acceso con un clic al entorno de desarrollo integrado (IDE) en el explorador de RStudio Server (edición de código abierto) o Jupyter con R.

Azure Synapse Analytics ahora se integra perfectamente con Azure Machine Learning para ampliar enormemente la obtención de conclusiones a partir de todos sus datos y aplicar modelos de Machine Learning a sus aplicaciones inteligentes.

Azure Open Datasets ahora tiene disponibilidad general y ofrece conjuntos de datos mantenidos, hospedados en Azure, y con fácil acceso desde áreas de trabajo de Azure Machine Learning para acelerar el entrenamiento de los modelos. Ahora hay disponibles más de 25 conjuntos de datos, incluidos datos socioeconómicos, imágenes satelitales y más. Nuevos conjuntos de datos se agregan de manera permanente, y puede recomendar conjuntos de datos adicionales a Azure.

Cree soluciones sobre una base segura

“Con Azure Machine Learning, nuestros equipos de científicos de datos pueden trabajar en un entorno compatible con confianza y cumplimiento estándar del sector. Las funcionalidades de adecuación para empresas, como RBAC VNet, Key Vault, aseguran que tengamos el control granular de los recursos y logremos innovar en una plataforma segura que mejora la productividad, de modo que los equipos puedan enfocarse en las tareas de aprendizaje automático, en lugar de hacerlo en la infraestructura y la configuración”. Cary Goltermann, gerente de Ignition Tax, KPMG LLP.

Actualizaciones de seguridad y adecuación para empresas

La administración de la capacidad de áreas de trabajo ayuda a los administradores a revisar el uso de proceso en las áreas de trabajo y clústeres dentro de una suscripción para una distribución eficiente de los recursos. Los límites de capacidad pueden establecerse para reasignar los recursos para la administración y gobernanza de la capacidad. El control de acceso basado en rol, o RBAC (en versión preliminar), ayuda a definir los roles personalizados para un control de acceso granular, y admite escenarios de seguridad avanzados. La red virtual, o VNet (en versión preliminar), ofrece un límite de seguridad para aislar recursos de proceso usados para entrenar e implementar modelos al ejecutar experimentos mediante inferencias.

Imparcialidad: Además de la interpretabilidad de los modelos en Azure Machine Learning, que admite la transparencia y el reconocimiento de modelos, los científicos de datos y desarrolladores ahora pueden aprovechar Fairlearn, la nueva herramienta de evaluación y mitigación de imparcialidad de código abierto. Esta herramienta ayuda a las organizaciones a descubrir conclusiones sobre la imparcialidad en las predicciones de sus modelos a través de un conjunto intuitivo y configurable de visualizaciones.

 

Las funcionalidades de imparcialidad ayudan a descubrir conclusiones sobre la imparcialidad del modelo, como la visualización que muestra la disparidad en las predicciones en los subgrupos, en este caso, según el sexo.

Conclusiones de la característica de imparcialidad

Comience a crear hoy mismo

Estamos emocionados de traerle estas funcionalidades para ayudar a acelerar el ciclo de vida del aprendizaje automático, desde nuevas experiencias de productividad que hacen que el aprendizaje automático sea accesible para todos los niveles de conocimiento, pasando por MLOps sólidas, hasta seguridad de nivel empresarial, todo integrado en una plataforma abierta y de confianza. Tenemos el compromiso de seguir invirtiendo en aprendizaje automático para apoyar a su empresa y sus aplicaciones, y ayudarle a lograr la transformación empresarial con la IA.


Azure. Invente con un objetivo.