Der Einsteiger-Guide zu Azure Machine Learning

Azure Machine Learning (Azure ML) ist ein umfassender Cloud-Service für den gesamten Lebenszyklus von Machine-Learning-Projekten und richtet sich an Data Scientists, ML-Profis und Engineers. Es fügt sich nahtlos in das Azure-Ökosystem ein und bietet eine robuste Plattform zum Erstellen, Bereitstellen und Verwalten von ML-Modellen.

Dieser Blogbeitrag führt dich durch die wichtigsten Grundlagen von Azure Machine Learning – vom Einstieg bis zu fortgeschrittenen Funktionen –, damit du diese leistungsstarke Plattform effizient nutzt. Wenn du ganz neu anfängst, lies unseren separaten Guide zum Einrichten und Konfigurieren von Azure.

Bildquelle

Überblick über Azure Machine Learning

Azure Machine Learning (ML) beschleunigt den ML-Lebenszyklus und bietet Tools für Training, Bereitstellung und Management von Modellen. Es unterstützt Zusammenarbeit, sodass Nutzende über die Machine-Learning-Studio-UI Assets, Ressourcen und Metriken für Projekte teilen und finden können.

Die Plattform ist offen und interoperabel. Sie unterstützt gängige Python-Frameworks wie PyTorch, TensorFlow, scikit-learn und mehr sowie R und .NET.

Azure ML überzeugt zudem mit Sicherheit auf Enterprise-Niveau, darunter die Integration mit Azure Virtual Networks, Azure Key Vault und Azure Container Registry. So bleiben ML-Projekte sicher und teamfähig.

Für wen ist Azure Machine Learning gedacht?

Azure Machine Learning ist für Personen und Teams konzipiert, die MLOps integrieren möchten, um ML-Modelle effizient in sicheren, prüfbaren Produktivumgebungen bereitzustellen.

Data Scientists und ML Engineers erhalten eine Suite an Tools, die ihre Workflows straffen und verbessern, damit sie sich auf Innovation statt Routineaufgaben konzentrieren können.

Anwendungsentwickler profitieren von umfassenden Werkzeugen, die die nahtlose Integration von ML-Modellen in Anwendungen oder Services ermöglichen und so Funktionalität und Nutzererlebnis steigern.

Für Organisationen, die im Microsoft-Azure-Ökosystem arbeiten, kommt der Vorteil hinzu, vertraute Sicherheitsframeworks und rollenbasierte Zugriffskontrollen zu nutzen.

Schritt-für-Schritt-Anleitung zum Einrichten deines Azure-ML-Workspaces

ML-Workspace in Azure erstellen

1. Im Azure-Portal anmelden: Melde dich in deinem Azure-Portal an oder erstelle bei Bedarf ein Konto.
2. Azure Machine Learning finden: Nutze die Suche im Portal und wähle unter den Services "Machine Learning" aus.
3. Workspace-Erstellung starten: Klicke auf "Create", um einen neuen Machine-Learning-Workspace einzurichten.
4. Basiseinstellungen konfigurieren:
1. Subscription: Wähle dein abrechnendes Azure-Abonnement.
2. Resource Group: Nutze eine bestehende Gruppe oder lege eine neue an, um Azure-Ressourcen zu organisieren.
3. Workspace Name: Vergib einen eindeutigen Namen für deinen Workspace.
4. Region: Wähle eine Region – idealerweise in der Nähe von dir oder deinen Datenquellen.
5. Ressourcendetails festlegen:
1. Storage Account: Verwende ein vorhandenes oder neues Konto zur Ablage von Projektdaten.
2. Key Vault: Wähle oder erstelle einen Key Vault zur sicheren Speicherung von Secrets.
3. Application Insights: Entscheide dich für eine Application-Insights-Ressource zum Monitoring.
4. Container Registry: Gib eine Container Registry für containerisierte Modelle oder Services an.
6. Prüfen und bereitstellen: Kontrolliere deine Einstellungen und klicke dann auf "Review + create", damit Azure die Konfiguration verifiziert.

Azure Machine Learning Studio

Azure Machine Learning Studio

Azure Machine Learning Studio ist eine der zentralen Komponenten von Azure Machine Learning. Es ist eine grafische IDE für die Entwicklung und Operationalisierung von ML-Workflows auf Azure.

Sie vereinfacht den Weg von der Datenaufbereitung bis zur Modellbereitstellung und bietet eine No-Code- bzw. Low-Code-Erfahrung, die Machine Learning für Einsteiger wie auch erfahrene Data Scientists zugänglich macht.

Der Reiz von Azure ML Studio liegt in der Kombination aus Einfachheit und Leistungsfähigkeit. Die benutzerfreundliche Drag-and-drop-Oberfläche vereinfacht das Erstellen, Trainieren und Bereitstellen von ML-Modellen – ohne tiefgehende Programmierkenntnisse.

Gleichzeitig ist sie robust genug für komplexe Workflows und bietet Funktionen wie Automated ML (AutoML) und den ML Designer für fein steuerbare, individuelle Pipelines.

ML Studio integriert sich nahtlos in das Azure-Ökosystem und stellt Tools zum Überwachen von Anwendungen und Services, zur sicheren Geheimnisverwaltung und zum Management von Compute-Ressourcen bereit. Gemeinsame Notebooks und Experimente fördern effektive Teamarbeit in ML-Projekten.

Für Data Scientists, die lieber programmieren, bietet ML Studio das Azure SDK. Damit kann Python-Code mit Studio-Ressourcen und -Experimenten interagieren – die Brücke zwischen No-/Low-Code und codezentriertem ML.

Diese Flexibilität deckt ein breites Spektrum an Bedürfnissen ab – von visuellem Programmieren mit Drag-and-drop bis zur maximalen Kontrolle und Anpassbarkeit durch Code.

Azure Automated Machine Learning (AutoML)

Automated ML (AutoML) ist eine der Kernkomponenten von Azure Machine Learning. Es automatisiert die Auswahl von Algorithmen und Hyperparametern und strafft damit das Modelltraining.

Du gibst lediglich Datensatz, ML-Aufgabe (z. B. Klassifikation, Regression) und optionale Parameter vor – Azure ML Studio übernimmt den Rest und liefert basierend auf deinen Kriterien das performantere Modell.

Das beschleunigt nicht nur die Entwicklung, sondern öffnet ML auch einer breiteren Zielgruppe, sodass Nutzende mit unterschiedlichen Erfahrungsstufen an ML-Projekten mitwirken können.

Die Nutzung des AutoML-Dienstes in Azure ML ist unkompliziert. So gehst du vor:

1. Navigieren: Wechsle zu "Automated ML" im Bereich "Authoring".
2. Neuer Job: Klicke auf "+ New automated ML job".
3. Daten wählen: Wähle ein bestehendes Datenasset oder erstelle ein neues. Es muss tabellarisch sein und die Zielspalte enthalten.
4. Experiment einrichten: Vergib einen Namen und wähle den Compute-Typ für den Job.
5. Aufgabe konfigurieren: Wähle den Aufgabentyp (Klassifikation, Regression oder Forecasting) und lege Einstellungen wie Primärmetrik und auszuschließende Modelle fest.
6. Starten: Schließe die Konfiguration ab und starte das Experiment.

ML-Modelle mit Code in Azure ML entwickeln

Die No-Code-Drag-and-drop-Oberfläche von Azure ML Studio ist ein großer Pluspunkt, reicht aber nicht für alle Szenarien. Wenn du mehr Anpassung und Kontrolle brauchst, unterstützt Azure ML die Entwicklung per SDK – in erster Linie mit Python.

So können Data Scientists und Entwickler ihre ML-Workflows programmatisch aufbauen und verwalten, bestehende Codebasen integrieren und fortgeschrittene ML-Techniken einsetzen.

Über das SDK lassen sich Aufgaben wie Datenaufbereitung, Modelltraining, Hyperparameter-Tuning und Bereitstellung automatisieren – ideal für komplexere Projektanforderungen.

Mit dem Azure ML SDK entwickelst und bewertest du ML-Modelle mit Standard-ML-Code direkt in deiner lokalen Entwicklungsumgebung, zum Beispiel in VS Code.

Dabei kannst du Azures Rechenressourcen für Trainingsjobs nutzen. Der Prozess beginnt mit dem Erstellen eines ml_client als Verbindung zu deinem Azure-Workspace. So verwaltest du Ressourcen und orchestrierst Jobs in dieser Umgebung.

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential


# authenticate
credential = DefaultAzureCredential()


SUBSCRIPTION="<SUBSCRIPTION_ID>"
RESOURCE_GROUP="<RESOURCE_GROUP>"
WS_NAME="<AML_WORKSPACE_NAME>"
# Get a handle to the workspace
ml_client = MLClient(
    credential=credential,
    subscription_id=SUBSCRIPTION,
    resource_group_name=RESOURCE_GROUP,
    workspace_name=WS_NAME,
)

Den vollständigen Trainingscode findest du im offiziellen Tutorial.

Fazit und nächste Schritte

Azure Machine Learning punktet mit einem durchgängigen Ansatz für den ML-Projektlebenszyklus – von Training bis Bereitstellung – und einem breiten Funktionsspektrum. Es richtet sich an Data Scientists bis hin zu App-Entwicklern und stellt Tools bereit, die Produktivität und Innovation fördern.

Durch die enge Integration in das Azure-Ökosystem sind Projekte nicht nur leistungsfähig, sondern auch sicher. Die Plattform vereint Zugänglichkeit und Tiefe: eine benutzerfreundliche Oberfläche im ML Studio und umfassende Codemöglichkeiten über das SDK. Damit ist Azure ML ein zentraler Baustein im Machine Learning.

Wenn du dein Azure-Wissen vertiefen und deine Kompetenzen ausbauen willst, wirf einen Blick auf die Azure-Kurse und Zertifizierungen auf DataCamp. Egal, ob du neu bei Azure bist oder deine Expertise nachweisen möchtest – Angebote wie der Kurs Introduction to Azure, die Zertifizierung Azure Fundamentals und der umfassende Kurs Azure Architecture and Services liefern wertvolle Einblicke.

Für einen strukturierten Lernweg bietet der Lernpfad Azure Fundamentals eine kuratierte Reise durch die wichtigsten Konzepte.