Guía para principiantes de Azure Machine Learning

Azure Machine Learning (Azure ML) es un servicio en la nube integral diseñado para cubrir todo el ciclo de vida de los proyectos de machine learning, pensado para científicos de datos, profesionales de machine learning e ingenieros. Se integra a la perfección con el ecosistema de Azure y ofrece una plataforma sólida para crear, desplegar y gestionar modelos de machine learning.

Este artículo te guía por lo esencial de Azure Machine Learning, desde los primeros pasos hasta las funciones avanzadas, para que puedas sacarle el máximo partido a esta potente plataforma. Si acabas de empezar, puedes leer nuestra guía para configurar Azure por separado. 

Fuente de la imagen

Descripción general de Azure Machine Learning

Azure Machine Learning (ML) acelera el ciclo de vida del machine learning y ofrece herramientas para el entrenamiento, el despliegue y la gestión de modelos. Facilita la colaboración, permitiendo compartir y encontrar activos, recursos y métricas de los proyectos desde la interfaz de Machine Learning Studio.

La plataforma es abierta e interoperable, con compatibilidad con frameworks comunes de Python como PyTorch, TensorFlow, scikit-learn y más, además de soporte para R y .NET.

Azure ML destaca por su seguridad de nivel empresarial, con integración con Azure Virtual Networks, Azure Key Vault y Azure Container Registry, lo que garantiza proyectos de machine learning seguros y colaborativos.

¿Para quién es Azure Machine Learning?

Azure Machine Learning está pensado para personas y equipos que quieran aplicar MLOps para desplegar modelos de machine learning de forma eficiente en entornos de producción seguros y auditables.

Los científicos de datos y los ingenieros de ML disponen de un conjunto de herramientas para agilizar y optimizar sus flujos de trabajo, de modo que puedan centrarse en innovar en lugar de en tareas rutinarias.

Los desarrolladores de aplicaciones se benefician de herramientas completas que facilitan la integración fluida de modelos de machine learning en aplicaciones o servicios, mejorando la funcionalidad y la experiencia de usuario.

Para las organizaciones que operan dentro del ecosistema de Microsoft Azure, existe además la ventaja de aprovechar los marcos de seguridad y los controles de acceso basados en roles ya conocidos.

Guía paso a paso para crear tu espacio de trabajo de Azure ML

Crear un espacio de trabajo de ML en Azure

1. Inicia sesión en Azure Portal: Accede a tu cuenta de Azure Portal o crea una si lo necesitas.
2. Busca Azure Machine Learning: Usa el buscador del portal para localizar y seleccionar "Machine Learning" entre los servicios.
3. Inicia la creación del espacio: Pulsa "Create" para empezar a configurar un nuevo espacio de trabajo de Machine Learning.
4. Configura los ajustes básicos:
1. Subscription: Elige tu suscripción de facturación de Azure.
2. Resource Group: Usa un grupo existente o crea uno nuevo para organizar los recursos de Azure.
3. Workspace Name: Asigna un nombre único a tu espacio de trabajo.
4. Region: Selecciona una región, preferiblemente cercana a ti o a tus fuentes de datos.
5. Define los recursos:
1. Storage Account: Asigna una cuenta existente o nueva para almacenar los archivos del proyecto.
2. Key Vault: Selecciona o crea un Key Vault para almacenar secretos de forma segura.
3. Application Insights: Opta por un recurso de Application Insights para la monitorización.
4. Container Registry: Indica un registro de contenedores para los modelos o servicios en contenedor.
6. Revisa y despliega: Comprueba la configuración y haz clic en "Review + create" para que Azure verifique el despliegue.

Azure Machine Learning Studio

Azure Machine Learning Studio

Azure Machine Learning Studio es uno de los componentes clave de Azure Machine Learning (ML). Es un entorno de desarrollo integrado (IDE) con interfaz gráfica, diseñado para desarrollar y operativizar flujos de trabajo de Machine Learning en Azure.

Simplifica el proceso desde la preparación de datos hasta el despliegue del modelo, ofreciendo una experiencia sin código o de bajo código que hace el machine learning accesible a un público más amplio, desde principiantes hasta científicos de datos con experiencia.

La clave del atractivo de Azure ML Studio está en su sencillez y potencia. Proporciona una interfaz intuitiva de arrastrar y soltar que facilita crear, entrenar y desplegar modelos de machine learning sin necesidad de profundos conocimientos de programación.

Aun así, es lo bastante robusto para flujos complejos, con funciones como Automated ML (AutoML) y ML Designer para construir pipelines personalizadas con mayor control.

ML Studio también se integra a la perfección con el ecosistema de Azure, con herramientas para monitorizar aplicaciones y servicios, almacenar secretos de forma segura y gestionar recursos de cómputo. Permite colaborar mediante cuadernos y experimentos compartidos, lo que mejora el trabajo en equipo en proyectos de machine learning.

Para quienes prefieren programar, ML Studio ofrece el Azure SDK, que permite que el código en Python interactúe con los recursos y experimentos de ML Studio, tendiendo un puente entre los enfoques sin/bajo código y los centrados en código.

Esta flexibilidad garantiza que Azure ML Studio cubra una amplia variedad de necesidades y preferencias, desde quienes valoran la programación visual y la simplicidad de arrastrar y soltar hasta quienes buscan el control y la personalización que ofrece el código.

Azure Automated Machine Learning (AutoML)

Automated ML (AutoML) es uno de los componentes principales de Azure Machine Learning. Destaca por automatizar la selección de algoritmos e hiperparámetros, agilizando el entrenamiento de modelos.

Solo tienes que indicar el conjunto de datos, la tarea de machine learning (por ejemplo, clasificación o regresión) y algunos parámetros opcionales, y Azure ML Studio se encarga del resto, entregando el modelo con mejor rendimiento según los criterios definidos.

Esto no solo acelera el ciclo de desarrollo, sino que también democratiza el acceso al machine learning, permitiendo que personas con distintos niveles de experiencia participen en proyectos de ML.

Usar el servicio AutoML en Azure ML es sencillo. Sigue estos pasos:

1. Navega: Ve a "Automated ML" dentro de la sección "Authoring".
2. Nuevo trabajo: Haz clic en "+ New automated ML job".
3. Selecciona los datos: Elige un activo de datos existente o crea uno nuevo; asegúrate de que sea tabular y contenga la columna objetivo.
4. Configura el experimento: Pon nombre a tu experimento y elige el tipo de cómputo para el trabajo.
5. Configura la tarea: Selecciona el tipo de tarea (clasificación, regresión o previsión) y ajusta opciones como la métrica principal y los modelos bloqueados.
6. Lanza: Finaliza la configuración e inicia el experimento.

Desarrollar modelos de machine learning con código en Azure ML

Aunque la interfaz sin código y de arrastrar y soltar de Azure ML Studio atrae a mucha gente, no siempre basta para todos los casos. Cuando se necesita más personalización y control, Azure ML permite el desarrollo mediante su SDK, principalmente con Python.

Esto permite a científicos de datos y desarrolladores construir y gestionar programáticamente sus flujos de machine learning, con la flexibilidad de integrarse con bases de código existentes y emplear técnicas avanzadas.

Con el SDK, puedes automatizar tareas como la preparación de datos, el entrenamiento de modelos, el ajuste de hiperparámetros y el despliegue, alineándote con requisitos de proyectos más complejos.

Al usar Azure ML SDK, es posible desarrollar y evaluar modelos de machine learning con código estándar de ML directamente en tu entorno local de desarrollo, como VS Code.

Esta configuración te permite aprovechar los recursos de cómputo de Azure para ejecutar trabajos de entrenamiento. El proceso comienza creando un ml_client como conexión al espacio de trabajo de Azure, lo que facilita la gestión de recursos y la orquestación de trabajos dentro de ese entorno.

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,
)

Para ver el código completo de entrenamiento, consulta el tutorial oficial.

Conclusión y próximos pasos

Azure Machine Learning destaca por su capacidad para agilizar el ciclo de vida de los proyectos de machine learning, con un amplio abanico de funciones que abarcan desde el entrenamiento hasta el despliegue de modelos. Se adapta a un público diverso, desde científicos de datos hasta desarrolladores de aplicaciones, con herramientas que impulsan la productividad y la innovación.

Gracias a su integración con el ecosistema de Azure, Azure ML garantiza proyectos avanzados y seguros. La plataforma equilibra accesibilidad y profundidad, con una interfaz fácil de usar en ML Studio y amplias capacidades de programación a través del SDK, consolidándose como pieza clave en el ámbito del machine learning.

Para profundizar en Azure y seguir mejorando tus habilidades, explora la oferta de cursos y certificaciones centrados en Azure disponibles en DataCamp. Tanto si eres nuevo en Azure como si quieres certificar tu experiencia, recursos como el curso Introduction to Azure, la certificación Azure Fundamentals y el curso Azure Architecture and Services ofrecen contenidos de gran valor.

Si prefieres una ruta de aprendizaje más estructurada, el itinerario Azure Fundamentals te guía por los conceptos clave.