Guia para iniciantes em Azure Machine Learning

Azure Machine Learning (Azure ML) é um serviço de nuvem completo projetado para todo o ciclo de vida de projetos de machine learning, atendendo cientistas de dados, profissionais de ML e engenheiros. Ele se integra perfeitamente ao ecossistema Azure, oferecendo uma plataforma robusta para criar, implantar e gerenciar modelos de machine learning.

Este post vai guiar você pelos fundamentos do Azure Machine Learning, do primeiro acesso aos recursos avançados, para que você possa aproveitar essa plataforma poderosa com eficiência. Se você está começando agora, confira também nosso guia de como configurar o Azure.

Fonte da imagem

Visão geral do Azure Machine Learning

O Azure Machine Learning acelera o ciclo de vida de machine learning, oferecendo ferramentas para treinamento, deploy e gerenciamento de modelos. Ele favorece a colaboração, permitindo compartilhar e descobrir ativos, recursos e métricas de projetos pela interface do Machine Learning studio.

A plataforma é aberta e interoperável, com suporte aos frameworks Python mais usados, como PyTorch, TensorFlow, scikit-learn e outros, além de suporte a R e .NET.

O Azure ML se destaca por oferecer segurança em nível corporativo, incluindo integração com Azure Virtual Networks, Azure Key Vault e Azure Container Registry, garantindo que os projetos de machine learning sejam seguros e colaborativos.

Para quem é o Azure Machine Learning?

O Azure Machine Learning foi feito para pessoas e times que precisam integrar MLOps e implantar modelos de machine learning com eficiência em ambientes de produção seguros e auditáveis.

Cientistas de dados e engenheiros de ML contam com um conjunto de ferramentas para agilizar e aprimorar seus fluxos de trabalho, permitindo focar mais em inovação do que em tarefas rotineiras.

Desenvolvedores de aplicações se beneficiam de ferramentas completas que facilitam a integração fluida de modelos de machine learning em apps ou serviços, elevando a funcionalidade e a experiência do usuário.

Para organizações que já operam no ecossistema de nuvem da Microsoft Azure, há a vantagem adicional de aproveitar frameworks de segurança conhecidos e controles de acesso baseados em função.

Passo a passo para configurar seu workspace do Azure ML

Criando o ML Workspace no Azure

1. Faça login no Azure Portal: Comece acessando sua conta no Azure Portal, ou crie uma se ainda não tiver.
2. Encontre o Azure Machine Learning: Use a busca do portal para localizar e selecionar "Machine Learning" entre os serviços.
3. Inicie a criação do workspace: Clique em "Create" para começar a configurar um novo workspace de Machine Learning.
4. Defina as configurações básicas:
1. Subscription: Escolha sua assinatura do Azure para cobrança.
2. Resource Group: Use um grupo existente ou crie um novo para organizar os recursos do Azure.
3. Workspace Name: Dê um nome único ao seu workspace.
4. Region: Selecione a região, de preferência próxima a você ou às suas fontes de dados.
5. Defina os recursos:
1. Storage Account: Use uma conta existente ou crie uma nova para armazenar os arquivos do projeto.
2. Key Vault: Selecione ou crie um Key Vault para guardar segredos com segurança.
3. Application Insights: Opte por um recurso de Application Insights para monitoramento.
4. Container Registry: Especifique um registro de contêiner para modelos ou serviços conteinerizados.
6. Revise e faça o deploy: Confira suas configurações e clique em "Review + create" para o Azure validar sua configuração.

Azure Machine Learning Studio

Azure Machine Learning Studio

O Azure Machine Learning Studio é um dos componentes centrais do Azure Machine Learning. É um ambiente de desenvolvimento integrado (IDE) com interface gráfica projetado para desenvolver e operacionalizar fluxos de trabalho de Machine Learning no Azure.

Ele simplifica todo o processo, da preparação de dados ao deploy de modelos, oferecendo uma experiência sem código ou de baixo código que torna o machine learning acessível para um público mais amplo, de iniciantes a cientistas de dados experientes.

O grande atrativo do Azure ML Studio está na combinação de simplicidade e potência. Ele oferece uma interface amigável, com recursos de arrastar e soltar, que facilita criar, treinar e implantar modelos de machine learning sem exigir conhecimento profundo de programação.

Ao mesmo tempo, é robusto para fluxos complexos, com funcionalidades como o Automated ML (AutoML) e o ML Designer para construir pipelines personalizados com mais controle.

O ML Studio também se integra de forma fluida ao ecossistema Azure, com ferramentas para monitorar aplicações e serviços, armazenar segredos com segurança e gerenciar recursos de computação. Ele favorece o trabalho em equipe por meio de notebooks e experimentos compartilhados, aumentando a eficiência na colaboração em projetos de machine learning.

Para cientistas de dados que preferem codar, o ML Studio oferece o Azure SDK, que permite que código em Python interaja com recursos e experimentos do ML Studio, conectando as abordagens sem/baixo código e as centradas em código.

Essa flexibilidade garante que o Azure ML Studio atenda a uma grande variedade de necessidades e preferências, desde quem prefere programação visual e simplicidade de arrastar e soltar até quem busca controle e personalização via código.

Azure Automated Machine Learning (AutoML)

O Automated ML (AutoML) é um dos componentes centrais do Azure Machine Learning. Ele se destaca por automatizar a seleção de algoritmos e hiperparâmetros, agilizando o processo de treinamento de modelos.

Basta o usuário indicar o conjunto de dados, a tarefa de machine learning (por exemplo, classificação, regressão) e alguns parâmetros opcionais, e o Azure ML Studio cuida do resto, entregando o modelo com melhor desempenho baseado nos critérios definidos.

Isso acelera o ciclo de desenvolvimento e democratiza o acesso a machine learning, permitindo que pessoas com diferentes níveis de experiência participem de projetos de ML.

Usar o serviço de AutoML no Azure ML é simples. Siga estes passos:

1. Navegue: Vá até "Automated ML" na seção "Authoring".
2. Novo job: Clique em "+ New automated ML job".
3. Selecione os dados: Escolha um ativo de dados existente ou crie um novo, garantindo que esteja em formato tabular e contenha a coluna alvo.
4. Configuração do experimento: Dê um nome ao experimento e escolha o tipo de computação para o job.
5. Configure a tarefa: Selecione o tipo de tarefa (classificação, regressão ou forecast) e ajuste configurações como a métrica principal e modelos bloqueados.
6. Inicie: Finalize a configuração e comece o experimento.

Desenvolvendo modelos de machine learning com código no Azure ML

Embora a interface sem código, de arrastar e soltar, do Azure ML Studio seja um grande atrativo, ela nem sempre cobre todos os cenários. Para casos que exigem mais personalização e controle, o Azure ML permite desenvolvimento via SDK, principalmente usando Python.

Isso possibilita que cientistas de dados e desenvolvedores construam e gerenciem fluxos de trabalho de machine learning de forma programática, com flexibilidade para integrar bases de código existentes e aplicar técnicas avançadas de ML.

Com o SDK, é possível automatizar tarefas como preparação de dados, treinamento de modelos, ajuste de hiperparâmetros e deploy, atendendo requisitos de projetos mais complexos.

Ao usar o Azure ML SDK, você pode desenvolver e avaliar modelos de machine learning com código padrão de ML diretamente no seu ambiente local de desenvolvimento, como o VS Code.

Esse setup permite aproveitar os recursos computacionais do Azure para executar jobs de treinamento. O processo começa criando um ml_client como conexão com o workspace do Azure, facilitando o gerenciamento de recursos e a orquestração de jobs nesse 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,
)

Para ver o código completo de treinamento, confira o tutorial oficial.

Conclusão e próximos passos

O Azure Machine Learning se destaca por otimizar o ciclo de vida de projetos de machine learning, oferecendo uma ampla gama de recursos desde o treinamento até o deploy de modelos. Ele atende desde cientistas de dados até desenvolvedores de aplicações, com ferramentas que aumentam produtividade e fomentam a inovação.

Com sua integração ao ecossistema Azure, o Azure ML garante projetos avançados e seguros. A plataforma equilibra acessibilidade e profundidade, oferecendo uma interface amigável no ML Studio e capacidades completas de codificação via SDK, consolidando sua posição como referência na área de machine learning.

Para aprofundar seu conhecimento em Azure e desenvolver ainda mais suas habilidades, vale explorar os cursos e certificações focados em Azure disponíveis na DataCamp. Seja para começar do zero ou validar sua experiência, recursos como o curso Introduction to Azure, a certificação Azure Fundamentals e o curso completo Azure Architecture and Services trazem insights valiosos.

Para uma trilha mais estruturada, a Azure Fundamentals oferece uma jornada curada pelos conceitos essenciais.