Hướng dẫn Azure Machine Learning cho người mới bắt đầu

Azure Machine Learning (Azure ML) là một dịch vụ đám mây toàn diện được thiết kế cho vòng đời dự án machine learning, phục vụ nhà khoa học dữ liệu, chuyên gia học máy và kỹ sư. Dịch vụ tích hợp liền mạch với hệ sinh thái Azure, cung cấp nền tảng vững chắc để xây dựng, triển khai và quản lý các mô hình machine learning.

Bài viết này sẽ hướng dẫn bạn những điều thiết yếu về Azure Machine Learning, từ khởi đầu cho đến khai thác các tính năng nâng cao, giúp bạn sẵn sàng sử dụng hiệu quả nền tảng mạnh mẽ này. Nếu bạn mới bắt đầu, bạn có thể đọc hướng dẫn thiết lập và cấu hình Azure riêng của chúng tôi.

Nguồn ảnh

Tổng quan về Azure Machine Learning

Azure Machine Learning (ML) tăng tốc vòng đời machine learning, cung cấp các công cụ cho huấn luyện, triển khai và quản lý mô hình. Nền tảng hỗ trợ cộng tác, cho phép người dùng chia sẻ và tìm kiếm tài sản, tài nguyên và chỉ số cho các dự án thông qua giao diện Machine Learning studio.

Nền tảng này mở và có khả năng tương tác, hỗ trợ các framework Python phổ biến như PyTorch, TensorFlow, scikit-learn, v.v., cũng như hỗ trợ R và .NET.

Azure ML nổi bật với bảo mật cấp doanh nghiệp, bao gồm tích hợp với Azure Virtual Networks, Azure Key Vault và Azure Container Registry, đảm bảo các dự án machine learning vừa an toàn vừa có thể cộng tác hiệu quả.

Azure Machine Learning dành cho ai?

Azure Machine Learning được thiết kế cho cá nhân và đội ngũ tập trung vào tích hợp MLOps để triển khai mô hình machine learning một cách hiệu quả trong môi trường sản xuất an toàn và có khả năng kiểm toán.

Các nhà khoa học dữ liệu và kỹ sư ML có bộ công cụ giúp tinh gọn và nâng cao quy trình làm việc, cho phép họ tập trung vào đổi mới thay vì các tác vụ lặp lại.

Nhà phát triển ứng dụng được hưởng lợi từ các công cụ toàn diện giúp tích hợp liền mạch mô hình machine learning vào ứng dụng hoặc dịch vụ, nâng cao chức năng và trải nghiệm người dùng.

Đối với các tổ chức hoạt động trong hệ sinh thái đám mây Microsoft Azure, còn có lợi thế tận dụng các khung bảo mật quen thuộc của Azure và kiểm soát truy cập dựa trên vai trò.

Hướng dẫn từng bước để thiết lập Workspace Azure ML của bạn

Tạo ML Workspace trên Azure

1. Đăng nhập Azure Portal: Bắt đầu bằng cách đăng nhập vào tài khoản Azure Portal của bạn, hoặc tạo tài khoản nếu cần.
2. Tìm Azure Machine Learning: Dùng tính năng tìm kiếm của portal để tìm và chọn "Machine Learning" trong các dịch vụ.
3. Bắt đầu tạo Workspace: Nhấn "Create" để bắt đầu thiết lập workspace Machine Learning mới.
4. Cấu hình cài đặt cơ bản:
1. Subscription: Chọn subscription Azure để tính phí.
2. Resource Group: Dùng nhóm có sẵn hoặc tạo nhóm mới để tổ chức tài nguyên Azure.
3. Tên Workspace: Đặt tên duy nhất cho workspace của bạn.
4. Khu vực: Chọn khu vực, ưu tiên gần bạn hoặc nguồn dữ liệu.
5. Thiết lập chi tiết tài nguyên:
1. Tài khoản lưu trữ: Chỉ định tài khoản hiện có hoặc mới để lưu trữ tệp dự án.
2. Key Vault: Chọn hoặc tạo key vault để lưu trữ bí mật một cách an toàn.
3. Application Insights: Chọn tài nguyên Application Insights để giám sát.
4. Container Registry: Chỉ định container registry cho các mô hình hoặc dịch vụ được đóng gói container.
6. Rà soát và triển khai: Kiểm tra cài đặt, sau đó nhấn "Review + create" để Azure xác minh cấu hình của bạn.

Azure Machine Learning Studio

Azure Machine Learning Studio

Azure Machine Learning Studio là một trong những thành phần cốt lõi của Azure Machine Learning (ML). Đây là một môi trường IDE giao diện đồ họa được thiết kế để phát triển và vận hành hóa các quy trình làm việc Machine Learning trên Azure.

Studio đơn giản hóa quy trình từ chuẩn bị dữ liệu đến triển khai mô hình, mang lại trải nghiệm không cần mã hoặc ít mã, giúp machine learning trở nên dễ tiếp cận hơn cho nhiều đối tượng, từ người mới bắt đầu đến các nhà khoa học dữ liệu dày dạn.

Sức hấp dẫn cốt lõi của Azure ML Studio nằm ở sự đơn giản và mạnh mẽ. Nó cung cấp giao diện kéo‑thả thân thiện, giúp đơn giản hóa việc tạo, huấn luyện và triển khai mô hình machine learning mà không đòi hỏi kiến thức lập trình chuyên sâu.

Dù vậy, Studio vẫn đủ mạnh cho các quy trình phức tạp, cung cấp các chức năng như Automated ML (AutoML) và ML Designer để xây dựng pipeline tùy chỉnh, kiểm soát cao.

ML Studio cũng tích hợp liền mạch với hệ sinh thái Azure, cung cấp công cụ giám sát ứng dụng và dịch vụ, lưu trữ bí mật an toàn và quản lý tài nguyên tính toán. Nó hỗ trợ cộng tác thông qua notebook và thí nghiệm dùng chung, nâng cao khả năng làm việc nhóm hiệu quả trên các dự án machine learning.

Đối với các nhà khoa học dữ liệu thích lập trình, ML Studio cung cấp Azure SDK, cho phép mã Python tương tác với tài nguyên và thí nghiệm của ML Studio, tạo cầu nối giữa cách tiếp cận không/ít mã và cách tiếp cận tập trung vào mã.

Tính linh hoạt này đảm bảo Azure ML Studio có thể đáp ứng nhiều nhu cầu và sở thích, từ những người ưa chuộng lập trình trực quan với kéo‑thả đến những người thích sự kiểm soát và khả năng tùy biến mà lập trình mang lại.

Azure Automated Machine Learning (AutoML)

Automated ML (AutoML) là một trong những thành phần cốt lõi của Azure Machine Learning. Tính năng này nổi tiếng nhờ khả năng tự động chọn thuật toán và siêu tham số, giúp tinh gọn quy trình huấn luyện mô hình.

Người dùng chỉ cần chỉ định tập dữ liệu, tác vụ machine learning (ví dụ: phân loại, hồi quy) và một số tham số tùy chọn, còn Azure ML Studio sẽ xử lý phần còn lại, cung cấp mô hình đạt hiệu năng tốt nhất theo tiêu chí đã đặt ra.

Điều này không chỉ tăng tốc vòng đời phát triển mà còn dân chủ hóa việc tiếp cận machine learning, cho phép người dùng với nhiều mức độ chuyên môn khác nhau tham gia vào các dự án ML.

Cách sử dụng dịch vụ AutoML trong Azure ML rất đơn giản. Thực hiện các bước sau:

1. Điều hướng: Vào "Automated ML" trong phần "Authoring".
2. Tạo Job mới: Nhấp "+ New automated ML job."
3. Chọn dữ liệu: Chọn tài sản dữ liệu có sẵn hoặc tạo mới, đảm bảo dữ liệu dạng bảng và có cột mục tiêu.
4. Thiết lập thí nghiệm: Đặt tên cho thí nghiệm và chọn loại compute cho job.
5. Cấu hình tác vụ: Chọn loại tác vụ (phân loại, hồi quy, hoặc dự báo) và cấu hình các thiết lập như chỉ số chính và mô hình bị chặn.
6. Khởi chạy: Hoàn tất cấu hình và bắt đầu thí nghiệm.

Phát triển mô hình Machine Learning bằng mã trong Azure ML

Mặc dù giao diện kéo‑thả không cần mã của Azure ML Studio là điểm hấp dẫn lớn với nhiều người, nhưng không phải lúc nào cũng đủ cho mọi tình huống. Với các trường hợp cần tùy biến và kiểm soát nhiều hơn, Azure ML hỗ trợ phát triển thông qua SDK, chủ yếu dùng Python.

Điều này cho phép nhà khoa học dữ liệu và nhà phát triển xây dựng và quản lý quy trình machine learning một cách lập trình, mang lại sự linh hoạt để tích hợp với codebase hiện có và sử dụng các kỹ thuật machine learning nâng cao.

Thông qua SDK, người dùng có thể tự động hóa các tác vụ như chuẩn bị dữ liệu, huấn luyện mô hình, tinh chỉnh siêu tham số và triển khai, phù hợp với các yêu cầu dự án phức tạp hơn.

Khi sử dụng Azure ML SDK, người dùng có thể phát triển và đánh giá mô hình machine learning bằng mã ML tiêu chuẩn trực tiếp trong môi trường phát triển cục bộ, như VS Code.

Thiết lập này cho phép tận dụng tài nguyên tính toán của Azure để thực thi các job huấn luyện. Quy trình bắt đầu bằng việc tạo ml_client như một kết nối đến workspace Azure, hỗ trợ quản lý tài nguyên và điều phối các job trong môi trường đó.

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,
)

Để xem toàn bộ mã huấn luyện, hãy xem hướng dẫn chính thức.

Kết luận và các bước tiếp theo

Azure Machine Learning nổi bật nhờ khả năng tinh gọn vòng đời dự án machine learning, cung cấp loạt tính năng phong phú từ huấn luyện đến triển khai mô hình. Nền tảng phục vụ phạm vi người dùng rộng, từ nhà khoa học dữ liệu đến nhà phát triển ứng dụng, với các công cụ nâng cao năng suất và đổi mới.

Nhờ tích hợp vào hệ sinh thái Azure, Azure ML đảm bảo các dự án không chỉ tiên tiến mà còn an toàn. Nền tảng cân bằng giữa tính dễ tiếp cận và chiều sâu, vừa có giao diện thân thiện trong ML Studio vừa có năng lực lập trình toàn diện qua SDK, củng cố vị thế là nền tảng chủ chốt trong lĩnh vực machine learning.

Để đào sâu hiểu biết về Azure và nâng cao kỹ năng, hãy khám phá các khóa học và chứng chỉ tập trung vào Azure có trên DataCamp. Dù bạn mới làm quen Azure hay muốn chứng nhận chuyên môn, các tài nguyên như khóa Giới thiệu về Azure, chứng chỉ Azure Fundamentals và khóa học toàn diện Azure Architecture and Services đều cung cấp kiến thức hữu ích.

Với lộ trình học tập có cấu trúc hơn, track Azure Fundamentals mang đến hành trình tuyển chọn qua các khái niệm then chốt.