Novas ferramentas para o Azure ML incluem integração com ambientes Python e treinamento de autoajuste para modelos de machine learning
A Microsoft incluiu novos recursos à sua oferta do Azure Machine Learning, incluindo uma melhor integração com a linguagem de programação Python e recursos automatizados de autoajuste para um desenvolvimento de modelo mais rápido.
O Python é uma linguagem básica para machine learning, graças à sua baixa barreira de entrada e à sua ampla variedade de bibliotecas de machine learning e ferramentas de suporte. A oferta do Azure com o Python é um novo SDK que permite que o Azure ML se conecte ao ambiente Python de um desenvolvedor.
Este SDK vem com o pacote azureml-sdk que pode ser instalado usando o gerenciador de pacotes pip do Python. A maioria dos ambientes Python, de uma instalação genérica do Python para distribuições específicas da ciência de dados, como o Anaconda Python ou um notebook Jupyter, pode se conectar ao Azure ML dessa maneira.
As ferramentas oferecidas pelo SDK incluem preparação de dados, registro dos resultados das execuções experimentais, salvamento e recuperação de dados experimentais do armazenamento de blobs do Azure, distribuição automática de treinamento de modelo em vários nós e formas de criar automaticamente vários ambientes de execução para tarefas, como VMs remotas Contêineres Docker e ambientes Anaconda.
Outro novo recurso do Azure ML suportado pelo novo SDK do Python é o machine learning automatizado. O conceito subjacente não é novo: é uma forma de otimização de hiperparâmetros ou uma maneira de ajustar automaticamente os parâmetros usados em um determinado sistema de treinamento de modelo de macine learning para obter melhores resultados.
A Microsoft o descreve como “um sistema de recomendação para pipelines de machine learning. Assim como serviços de streaming recomendam filmes para usuários, o aprendizado automatizado de máquinas recomenda pipelines de machine learning para conjuntos de dados.”
A Microsoft também afirma que a automação pode ser feita sem olhar diretamente para dados confidenciais e preservar a privacidade dos usuários.
