有趣的事实:这篇文章的封面图像是由bing ai生成的:)
构建AI解决方案不仅需要一个人。您需要一个可以有效,创造性地共同努力的专家团队。这就是为什么您需要一个支持AI团队成员之间协作和沟通的平台。 Azure Machine Learning Studio 不仅是用于计算和技术任务的强大基础架构,而且是一种帮助您组织和简化AI项目的管理工具。在这篇文章中,我将向您展示如何使用Azure ML Studio在您的AI团队内促进有效的协作。 AI团队本质上是一群共有共同目标的人:找到解决特定问题的最佳模型。例如,让我们看一下Melkradar的AI项目广告商。它的目标是根据房地产经纪人或所有者本身创建的不同房地产广告进行分类。
要使用AI解决问题,通常需要遵循一些常见的步骤,例如:
探索和准备不同的数据集
调整和评估不同的算法和参数
构建和部署不同的管道作为休息端点
在下一节中,我将向您展示Azure ML Studio如何使所有这些任务易于处理。
管理模型
对于 advertor 项目,我们正在根据不同的算法和参数尝试各种模型。每个团队成员都负责运行不同的实验,我们需要一种方便的方法来监视和记录实验及其结果。然后,我们可以比较它们以选择最佳的选择或计划下一步。在这张照片中,您可以看到我们如何使用机器学习工作室中的作业菜单访问和查看不同的实验(以前称为实验)。
每个实验都会生成很多我们可以在Azure Machine Learning Studio上存储和访问的信息。在下图中,您可以看到每个实验中包含各种细节的不同选项卡。如您所见,我们在实验上使用标签作为与其他团队成员进行交流和协作的一种方式。标签帮助我们了解每个实验背后的目的和逻辑。
在“指标”选项卡中,我们可以自定义和显示不同的指标和图表,如下所示:
管理数据集
在 advertor 中,我们必须处理许多需要创建和用于培训和测试模型的数据集。我们使用 parquet 文件,因为它们比CSV文件更快,更紧凑。另外,对于每个数据集,我们可以创建和管理不同的版本,如下图所示。
部署到端点
我们有一个令人满意的模型,我们需要将其部署为休息端点,以便其他人可以使用它。在这里,您可以看到将其部署为端点的简单快捷。
为什么我们喜欢Azure Machine学习工作室
Azure ML Studio是一个很棒的平台,可帮助我们与AI团队合作。它使我们可以轻松地创建,跟踪和跟踪和比较不同的实验,数据集和模型。它还使我们能够立即将模型部署为REST端点。借助Azure Machine Learning Studio,我们可以简化我们的AI项目,并与我们的团队更快,更快地工作。