Panduan Pemula untuk Azure Machine Learning

Azure Machine Learning (Azure ML) adalah layanan cloud komprehensif yang dirancang untuk siklus hidup proyek machine learning, ditujukan bagi data scientist, profesional machine learning, dan engineer. Layanan ini terintegrasi mulus dengan ekosistem Azure, menyediakan platform andal untuk membangun, menerapkan, dan mengelola model machine learning.

Artikel blog ini bertujuan membimbing Anda melalui hal-hal penting tentang Azure Machine Learning, mulai dari langkah awal hingga memanfaatkan fitur lanjutan, agar Anda siap menggunakan platform kuat ini secara efisien. Anda dapat membaca panduan terpisah kami tentang cara menyiapkan dan mengonfigurasi Azure jika Anda baru memulai. 

Sumber Gambar

Gambaran Umum Azure Machine Learning

Azure Machine Learning (ML) mempercepat siklus hidup machine learning, menawarkan alat untuk pelatihan, penerapan, dan pengelolaan model. Layanan ini mendukung kolaborasi, memungkinkan pengguna berbagi dan menemukan aset, sumber daya, serta metrik untuk proyek melalui antarmuka Machine Learning studio.

Platform ini bersifat terbuka dan interoperabel, mendukung kerangka kerja Python umum seperti PyTorch, TensorFlow, scikit-learn, dan lainnya, serta dukungan R dan .NET.

Azure ML menonjol dengan menyediakan keamanan tingkat perusahaan, termasuk integrasi dengan Azure Virtual Networks, Azure Key Vault, dan Azure Container Registry, memastikan proyek machine learning aman dan kolaboratif.

Untuk siapa Azure Machine Learning?

Azure Machine Learning dirancang untuk individu dan tim yang berfokus mengintegrasikan MLOps guna menerapkan model machine learning secara efisien dalam lingkungan produksi yang aman dan dapat diaudit.

Data scientist dan ML engineer memiliki akses ke rangkaian alat untuk menyederhanakan dan meningkatkan alur kerja mereka, sehingga mereka dapat fokus pada inovasi alih-alih tugas rutin.

Pengembang aplikasi memperoleh manfaat dari alat menyeluruh yang memudahkan integrasi model machine learning ke dalam aplikasi atau layanan, meningkatkan fungsionalitas dan pengalaman pengguna.

Bagi organisasi yang beroperasi dalam ekosistem cloud Microsoft Azure, ada keuntungan tambahan memanfaatkan kerangka keamanan Azure yang familier dan kontrol akses berbasis peran.

Panduan Langkah demi Langkah Menyiapkan Workspace Azure ML Anda

Membuat ML Workspace di Azure

1. Masuk ke Azure Portal: Mulailah dengan masuk ke akun Azure Portal Anda, atau buat akun jika diperlukan.
2. Temukan Azure Machine Learning: Gunakan fitur pencarian portal untuk menemukan dan memilih "Machine Learning" di antara layanan.
3. Mulai Pembuatan Workspace: Tekan "Create" untuk mulai menyiapkan workspace Machine Learning baru.
4. Konfigurasikan Pengaturan Dasar:
1. Subscription: Pilih subscription Azure untuk penagihan Anda.
2. Resource Group: Gunakan grup yang sudah ada atau buat yang baru untuk mengatur sumber daya Azure.
3. Workspace Name: Tetapkan nama unik untuk workspace Anda.
4. Region: Pilih region, sebaiknya yang dekat dengan Anda atau sumber data Anda.
5. Tetapkan Detail Sumber Daya:
1. Storage Account: Tetapkan akun yang sudah ada atau akun baru untuk penyimpanan file proyek.
2. Key Vault: Pilih atau buat key vault untuk menyimpan secret secara aman.
3. Application Insights: Pilih resource Application Insights untuk pemantauan.
4. Container Registry: Tentukan container registry untuk model atau layanan yang dikontainerisasi.
6. Tinjau dan Terapkan: Periksa pengaturan Anda, lalu klik "Review + create" agar Azure memverifikasi konfigurasi Anda.

Azure Machine Learning Studio

Azure Machine Learning Studio

Azure Machine Learning Studio adalah salah satu komponen inti Azure Machine Learning (ML). Ini adalah lingkungan pengembangan terintegrasi (IDE) berantarmuka grafis yang dirancang untuk mengembangkan dan mengoperasionalkan alur kerja Machine Learning di Azure.

Studio ini menyederhanakan proses dari persiapan data hingga penerapan model, menawarkan pengalaman tanpa kode atau minim kode yang membuat machine learning dapat diakses oleh lebih banyak pengguna, dari pemula hingga data scientist berpengalaman.

Daya tarik utama Azure ML Studio terletak pada kesederhanaan dan kekuatannya. Ia menyediakan antarmuka seret-dan-lepas yang ramah pengguna, menyederhanakan pembuatan, pelatihan, dan penerapan model machine learning tanpa memerlukan pengetahuan pemrograman yang mendalam.

Namun, Studio tetap cukup tangguh untuk alur kerja yang kompleks, menawarkan fungsionalitas seperti Automated ML (AutoML) dan ML Designer untuk konstruksi pipeline kustom yang lebih terkontrol.

ML Studio juga terintegrasi mulus dengan ekosistem Azure, menyediakan alat untuk memantau aplikasi dan layanan, menyimpan secret dengan aman, dan mengelola sumber daya komputasi. Studio ini mendukung kolaborasi melalui notebook dan eksperimen bersama, meningkatkan kemampuan tim untuk bekerja efektif pada proyek machine learning.

Bagi data scientist yang lebih menyukai pengkodean, ML Studio menawarkan Azure SDK, yang memungkinkan kode Python berinteraksi dengan resource dan eksperimen ML Studio, menjembatani pendekatan tanpa/minim kode dan yang berpusat pada kode dalam machine learning.

Fleksibilitas ini memastikan Azure ML Studio dapat memenuhi beragam kebutuhan dan preferensi, baik bagi mereka yang menyukai pemrograman visual dan kesederhanaan seret-dan-lepas maupun mereka yang mengutamakan kendali dan kustomisasi melalui pengkodean.

Azure Automated Machine Learning (AutoML)

Automated ML (AutoML) adalah salah satu komponen inti Azure Machine Learning. Layanan ini dikenal karena kemampuannya mengotomatiskan pemilihan algoritma dan hyperparameter, sehingga menyederhanakan proses pelatihan model.

Pengguna cukup menentukan dataset, tugas machine learning (misalnya, klasifikasi, regresi), dan beberapa parameter opsional, lalu Azure ML Studio akan menangani sisanya, menghadirkan model berkinerja terbaik berdasarkan kriteria yang diberikan.

Ini tidak hanya mempercepat siklus pengembangan tetapi juga mendemokratisasi akses ke machine learning, memungkinkan pengguna dengan berbagai tingkat keahlian untuk berpartisipasi dalam proyek ML.

Menggunakan layanan AutoML di Azure ML sangatlah mudah. Ikuti langkah-langkah berikut:

1. Arahkan: Buka "Automated ML" di bawah bagian "Authoring".
2. Pekerjaan Baru: Klik "+ New automated ML job."
3. Pilih Data: Pilih aset data yang sudah ada atau buat yang baru, pastikan berbentuk tabular dengan kolom target tersedia.
4. Penyiapan Eksperimen: Beri nama eksperimen Anda dan pilih jenis komputasi untuk pekerjaan tersebut.
5. Konfigurasi Tugas: Pilih jenis tugas Anda (klasifikasi, regresi, atau peramalan) dan konfigurasikan pengaturan seperti metrik utama dan model yang diblokir.
6. Mulai: Finalisasikan konfigurasi Anda dan mulai eksperimen.

Mengembangkan Model Machine Learning dengan Kode di Azure ML

Meskipun antarmuka tanpa kode dengan seret-dan-lepas di Azure ML Studio menjadi daya tarik utama bagi banyak orang, hal itu tidak selalu cukup untuk setiap skenario. Untuk kasus yang memerlukan kustomisasi dan kontrol lebih, Azure ML mendukung pengembangan melalui SDK-nya, terutama menggunakan Python.

Ini memungkinkan data scientist dan pengembang membangun dan mengelola alur kerja machine learning mereka secara terprogram, menawarkan fleksibilitas untuk berintegrasi dengan basis kode yang sudah ada dan menggunakan teknik machine learning tingkat lanjut.

Melalui SDK, pengguna dapat mengotomatiskan tugas seperti persiapan data, pelatihan model, penyetelan hyperparameter, dan penerapan, selaras dengan kebutuhan proyek yang lebih kompleks.

Saat menggunakan Azure ML SDK, pengguna dapat mengembangkan dan mengevaluasi model machine learning menggunakan kode ML standar langsung di lingkungan pengembangan lokal mereka, seperti VS Code.

Pengaturan ini memungkinkan pemanfaatan sumber daya komputasi Azure untuk menjalankan pekerjaan pelatihan. Proses dimulai dengan membuat ml_client sebagai koneksi ke workspace Azure, memfasilitasi pengelolaan sumber daya dan orkestrasi pekerjaan dalam lingkungan tersebut.

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,
)

Untuk melihat kode pelatihan lengkap, lihat tutorial resmi.

Kesimpulan dan Langkah Berikutnya

Azure Machine Learning menonjol karena kemampuannya menyederhanakan siklus hidup proyek machine learning, menawarkan serangkaian fitur luas dari pelatihan hingga penerapan model. Layanan ini menjangkau audiens luas, dari data scientist hingga pengembang aplikasi, menyediakan alat yang meningkatkan produktivitas dan inovasi.

Dengan integrasinya ke dalam ekosistem Azure, Azure ML memastikan proyek tidak hanya maju tetapi juga aman. Platform ini menyeimbangkan aksesibilitas dengan kedalaman, menawarkan antarmuka yang ramah pengguna di ML Studio dan kemampuan pengodean yang komprehensif melalui SDK, memperkokoh posisinya sebagai pilar di bidang machine learning.

Untuk memperdalam pemahaman Anda tentang Azure dan lebih meningkatkan keterampilan, pertimbangkan untuk mengeksplorasi berbagai kursus dan sertifikasi berfokus Azure yang tersedia di DataCamp. Baik Anda baru di Azure atau ingin mengesahkan keahlian Anda, sumber daya seperti kursus Introduction to Azure, sertifikasi Azure Fundamentals, dan kursus komprehensif Azure Architecture and Services memberikan wawasan berharga.

Untuk jalur belajar yang lebih terstruktur, track Azure Fundamentals menawarkan perjalanan terkurasi melalui konsep-konsep kunci.