Guida introduttiva ad Azure Machine Learning

Azure Machine Learning (Azure ML) è un servizio cloud completo pensato per l’intero ciclo di vita dei progetti di machine learning, rivolto a data scientist, professionisti del machine learning e ingegneri. Si integra perfettamente con l’ecosistema Azure, offrendo una piattaforma solida per creare, distribuire e gestire modelli di machine learning.

Questo articolo ti guida attraverso gli elementi essenziali di Azure Machine Learning, dall’avvio all’uso delle funzionalità avanzate, per permetterti di sfruttare al meglio questa potente piattaforma. Se stai iniziando ora, puoi leggere la nostra guida su come configurare Azure. 

Fonte immagine

Panoramica di Azure Machine Learning

Azure Machine Learning (ML) accelera il ciclo di vita del machine learning, offrendo strumenti per training, distribuzione e gestione dei modelli. Supporta la collaborazione, consentendo agli utenti di condividere e trovare asset, risorse e metriche per i progetti tramite l’interfaccia di Machine Learning Studio.

La piattaforma è aperta e interoperabile: supporta i framework Python più comuni come PyTorch, TensorFlow, scikit-learn e altri, oltre al supporto per R e .NET.

Azure ML si distingue per la sicurezza a livello enterprise, compresa l’integrazione con Azure Virtual Networks, Azure Key Vault e Azure Container Registry, garantendo che i progetti di machine learning siano sicuri e collaborativi.

A chi è rivolto Azure Machine Learning?

Azure Machine Learning è pensato per persone e team che vogliono integrare l’MLOps per distribuire in modo efficiente modelli di machine learning in ambienti di produzione sicuri e verificabili.

Data scientist e ML engineer hanno a disposizione una suite di strumenti per semplificare e migliorare i flussi di lavoro, consentendo loro di concentrarsi sull’innovazione invece che sulle attività di routine.

Gli sviluppatori di applicazioni beneficiano di strumenti completi che facilitano l’integrazione fluida dei modelli di machine learning in applicazioni o servizi, migliorando funzionalità ed esperienza utente.

Per le organizzazioni che operano all’interno dell’ecosistema cloud Microsoft Azure, c’è il vantaggio aggiuntivo di sfruttare i familiari framework di sicurezza e i controlli di accesso basati sui ruoli.

Guida passo passo per configurare il tuo workspace Azure ML

Creazione del Workspace ML su Azure

1. Accedi al portale Azure: inizia accedendo al tuo account del Portale Azure, o creane uno se necessario.
2. Trova Azure Machine Learning: usa la ricerca del portale per individuare e selezionare "Machine Learning" tra i servizi.
3. Avvia la creazione del workspace: premi "Create" per iniziare a configurare un nuovo workspace di Machine Learning.
4. Configura le impostazioni di base:
1. Subscription: scegli la tua sottoscrizione Azure per la fatturazione.
2. Resource Group: usa un gruppo esistente o creane uno nuovo per organizzare le risorse Azure.
3. Workspace Name: assegna un nome univoco al tuo workspace.
4. Region: scegli una regione, preferibilmente vicina a te o alle tue fonti dati.
5. Imposta i dettagli delle risorse:
1. Storage Account: assegna un account esistente o nuovo per l’archiviazione dei file di progetto.
2. Key Vault: seleziona o crea un key vault per archiviare in modo sicuro i segreti.
3. Application Insights: opta per una risorsa Application Insights per il monitoraggio.
4. Container Registry: specifica un container registry per eventuali modelli o servizi containerizzati.
6. Rivedi e distribuisci: controlla le impostazioni, quindi fai clic su "Review + create" per far verificare la configurazione ad Azure.

Azure Machine Learning Studio

Azure Machine Learning Studio

Azure Machine Learning Studio è uno dei componenti principali di Azure Machine Learning (ML). È un ambiente di sviluppo integrato (IDE) con interfaccia grafica progettato per sviluppare e mettere in produzione i workflow di Machine Learning su Azure.

Semplifica il processo dalla preparazione dei dati alla distribuzione del modello, offrendo un’esperienza no-code o low-code che rende il machine learning accessibile a un’ampia gamma di utenti, dai principianti ai data scientist esperti.

Il punto di forza di Azure ML Studio sta nella sua semplicità e potenza. Fornisce un’interfaccia intuitiva con drag-and-drop che semplifica la creazione, l’addestramento e la distribuzione dei modelli di machine learning senza richiedere una profonda conoscenza di programmazione.

Allo stesso tempo, resta sufficientemente robusto per workflow complessi, offrendo funzionalità come Automated ML (AutoML) e ML Designer per costruire pipeline personalizzate con maggior controllo.

ML Studio si integra inoltre senza soluzione di continuità con l’ecosistema Azure, fornendo strumenti per monitorare applicazioni e servizi, archiviare in modo sicuro i segreti e gestire le risorse di calcolo. Supporta la collaborazione tramite notebook e esperimenti condivisi, migliorando la capacità dei team di lavorare insieme in modo efficace su progetti di machine learning.

Per i data scientist che preferiscono il codice, ML Studio offre l’Azure SDK, che consente al codice Python di interagire con le risorse e gli esperimenti di ML Studio, creando un ponte tra gli approcci no-code/low-code e quelli incentrati sul codice.

Questa flessibilità garantisce che Azure ML Studio possa soddisfare un’ampia gamma di esigenze e preferenze, da chi predilige la programmazione visuale e la semplicità del drag-and-drop a chi preferisce il controllo e la personalizzazione offerti dal coding.

Azure Automated Machine Learning (AutoML)

Automated ML (AutoML) è uno dei componenti principali di Azure Machine Learning. È noto per la capacità di automatizzare la selezione di algoritmi e iperparametri, semplificando il processo di training dei modelli.

Gli utenti specificano semplicemente il dataset, il task di machine learning (ad esempio classificazione, regressione) e alcuni parametri facoltativi, e Azure ML Studio si occupa del resto, restituendo il modello con le migliori prestazioni in base ai criteri forniti.

Questo non solo accelera il ciclo di sviluppo, ma democratizza anche l’accesso al machine learning, permettendo a utenti con livelli di esperienza diversi di partecipare ai progetti ML.

Usare il servizio AutoML in Azure ML è semplice. Segui questi passaggi:

1. Vai alla sezione: apri "Automated ML" sotto la sezione "Authoring".
2. Nuovo job: fai clic su "+ New automated ML job".
3. Seleziona i dati: scegli un data asset esistente o creane uno nuovo, assicurandoti che sia in forma tabellare con la colonna target presente.
4. Imposta l’esperimento: assegna un nome al tuo esperimento e scegli il tipo di compute per il job.
5. Configura il task: scegli il tipo di task (classificazione, regressione o forecasting) e configura impostazioni come metrica primaria e modelli bloccati.
6. Avvia: finalizza la configurazione e avvia l’esperimento.

Sviluppare modelli di Machine Learning con codice in Azure ML

Sebbene l’interfaccia no-code con drag-and-drop di Azure ML Studio sia un grande punto di forza, non sempre è sufficiente. Per scenari che richiedono maggiore personalizzazione e controllo, Azure ML supporta lo sviluppo tramite SDK, principalmente usando Python.

Ciò consente a data scientist e sviluppatori di costruire e gestire programmaticamente i propri workflow di machine learning, offrendo la flessibilità di integrare codebase esistenti e utilizzare tecniche avanzate.

Tramite l’SDK, gli utenti possono automatizzare attività come preparazione dei dati, training dei modelli, tuning degli iperparametri e distribuzione, allineandosi a requisiti progettuali più complessi.

Utilizzando l’Azure ML SDK, è possibile sviluppare e valutare modelli di machine learning con codice ML standard direttamente nel proprio ambiente di sviluppo locale, come VS Code.

Questa configurazione consente di sfruttare le risorse computazionali di Azure per eseguire i job di training. Il processo inizia creando un ml_client come connessione al workspace Azure, facilitando la gestione delle risorse e l’orchestrazione dei job all’interno di quell’ambiente.

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,
)

Per vedere il codice completo di training, consulta il tutorial ufficiale.

Conclusioni e prossimi passi

Azure Machine Learning si distingue per la capacità di semplificare il ciclo di vita dei progetti di machine learning, offrendo un’ampia gamma di funzionalità dal training alla distribuzione. Si rivolge a un pubblico eterogeneo, dai data scientist agli sviluppatori di applicazioni, fornendo strumenti che aumentano produttività e innovazione.

Grazie all’integrazione nell’ecosistema Azure, Azure ML garantisce progetti non solo avanzati ma anche sicuri. La piattaforma bilancia accessibilità e profondità, offrendo sia un’interfaccia intuitiva in ML Studio sia funzionalità di coding complete tramite l’SDK, consolidando la sua posizione come punto di riferimento nel campo del machine learning.

Per approfondire la tua conoscenza di Azure e potenziare ulteriormente le tue competenze, valuta di esplorare la gamma di corsi e certificazioni su DataCamp dedicati ad Azure. Che tu sia alle prime armi o voglia certificare la tua esperienza, risorse come il corso Introduction to Azure, la certificazione Azure Fundamentals e il corso completo Azure Architecture and Services offrono spunti preziosi.

Per un percorso di apprendimento più strutturato, il track Azure Fundamentals propone un itinerario curato tra i concetti chiave.