November 2017

Band 33, Nummer 11

Dieser Artikel wurde maschinell übersetzt.

Künstlich intelligent: Bereitstellen von Machine Learning-Modellen aus Azure Machine Learning Studio

Durch Frank La La | November 2017

Eines der wichtigsten Einflussfaktoren für Innovation in Machine learning-(ML) und Speicherplatz KI (AI) wurde die Tatsache, dass viele innovative Forschungsergebnisse Labor "verlassen hat" und für die Öffentlichkeit verfügbar ist. Dienste wie Cortana und Skype übersetzt, die auf der Arbeit in die Spracherkennung und linguistische Analyse Jahren abhängig sind, werden in die Hände von Benutzern weltweit.

In meinem vorherigen (msdn.microsoft.com/mt826348), ich veranschaulicht, wie ein ML-Modell in Azure Machine Learning Studio zu erstellen. Über eine beispielexperiment als Ausgangspunkt erstellte ich ein Modell, das vorhergesagt wird, ob ein Flug mit einer Genauigkeit von etwas größer als 80 Prozent abgebrochen werden würde. Während dieses Modell auf einem eigenen nützlich ist, würden die vollständige transformative Leistungsfähigkeit von AI realisiert werden, wenn ich dieses Modell mehr als nur auf die Datenanalysten in meinem Team zur Verfügung. Was geschieht, wenn diese Vorhersagemodell wurden ausgesetzt Business Analysten? Was geschieht, wenn sie einfach zum Nutzen des Vorhersagemodells von innerhalb von Excel erstellt wurde? Was geschieht, wenn das Modell für app-Entwicklern zum Einbetten in eine beliebige Anzahl von Anwendungen verfügbar gemacht wurde?

In diesem Artikel zeige ich, wie ML-Modelle in Machine Learning Studio erstellt haben, nicht Datenanalysten Benutzer verfügbar gemacht werden.

Erstellen einen Webdienst in Machine Learning Studio

Glücklicherweise erleichtert Machine Learning Studio ML Modelle über einen Webdienst verfügbar zu machen. Navigieren Sie zu "Machine Learning Studio am studio.azureml.net" über. Wenn Sie die Schritte in Meine vorherige Spalte öffnen Sie oben Binary Classification: Flight Delay Prediction Experiment. Wenn dies nicht der Fall ist, fahren Sie fort, und befolgen Sie die Schritte ich letzten Monat, um das Experiment zu erstellen.

Nach dem Laden sollte eine Schaltfläche am unteren Rand der Webseite, die Web-Dienst aufgerufen werden. Klicken Sie darauf, und klicken Sie auf die Predictive Webdienst [empfohlen]-Option im Kontextmenü, das angezeigt wird (siehe Abbildung 1). Wenn die Option zum Erstellen eines Diensts für prognostizierte Web abgeblendet ist, müssen Sie möglicherweise das Experiment erneut ausführen. Klicken Sie auf die Schaltfläche Ausführen unmittelbar links neben der Schaltfläche für die Web-Dienst, wie gezeigt in Abbildung 1.

Abbildung 1: Einrichten von Web Service-Kontextmenü in Azure Machine Learning Studio

Sobald Sie klicken Sie auf die Menüoption im Dialogfeld in Abbildung 2 wird angezeigt. Machine Learning Studio fordert ein Modul "Train Model" auswählen. Warum ist das so? Zwei ML-Modelle sind in diesem Experiment trainiert: einer mit einem Two-Class Boosted Decision Tree-Algorithmus und der andere mit einem Two-Class Logistic Regression-Algorithmus. Beachten Sie, dass die Two-Class Logistic Regression eine Genauigkeit von 81.7 Prozent, erreicht während der Two-Class Boosted Decision Tree 80.6 Prozent erreicht. Das Modell, das ich möchte einen Webdienst zur Verfügung stellt ist somit das Modell mit dem Two-Class Logistic Regression-Algorithmus erstellt wurde.

Abbildung 2 Azure Machine Learning Studio fordert ein Modul "Train Model" auswählen

Rechts neben dem Experiment Layout – nachdem das Projekt in zwei Pfade aufteilt – wird als was, im angezeigt wird Abbildung 3. Das Modell Hyperparameter optimieren Modul führt einen Parameter-Sweep für ein Modell, in diesem Fall die Two-Class Boosted Decision Tree direkt über das Modul, um die optimalen parametereinstellungen zu bestimmen. Um einen Überblick darüber, was dieses Modul, mit der rechten Maustaste auf die Rechte Ausgabe-Knoten und wählen Sie die Visualisierung zu erhalten.

Abbildung 3 zeigt die genauere Modell Two-Class Logistic Regression, erweitert, indem optimieren Modell Hyperparameter

Einmal das Dialogfeld geladen, es sollte ähnlich wie Abbildung 4. Machine Learning Studio ausgeführt wurde, durch eine Reihe von Permutationen und 368 unterschiedliche Entscheidungsstrukturen, die mit den anderen Eingabedaten Feldern erstellt wie Entscheidungsstrukturen verweist auf die optimale Entscheidungsstruktur suchen. Durch Klicken auf einen beliebigen Knoten in einer Struktur werden die Statistiken über den Knoten und dessen Auswirkungen auf das ausgabemodell erstellen offenlegen. Die Reihenfolge, in der die Strukturen angezeigt werden, in der linken Spalte, geben Sie deren Rang in Bezug auf, erzeugt eine genaue Modell an. Wahlweise können Sie untersuchen dieses Dialogfeld, um eine Bewertung der gesamten Arbeit zu erhalten, die dieses Modul ausgeführt.

Abbildung 4-Visualisierung eine optimieren Modell Hyperparameter-Modul

Wenn Sie bereit sind, fahren Sie fort, schließen Sie Sie in diesem Dialogfeld. Stellen Sie sicher, dass das Modul Modell Hyperparameter optimieren ausgewählt ist, und klicken Sie dann auf die Schaltfläche "Web-Service". Klicken Sie im Kontextmenü, das folgt, auf die Option Predictive Webdienst [empfohlen]. In wenigen Minuten noch einmal die Module im Experiment navigieren und das Experiment Teilen in zwei Registerkarten: Trainings-Experiment und prognostizierte Experiment. Die Arbeit wird in der Registerkarte "Training Experiment" beibehalten. Die Registerkarte "Predictive experimentieren" enthält die gleichen trainierten Modell und die Daten Rechtsstreitigkeiten Methoden mit Änderungen, die das Experiment als Webdienst verfügbar machen. Klicken Sie auf Ausführen, um das Experiment ausgeführt. Sobald das Experiment ausgeführt wurde, klicken Sie auf die Schaltfläche mit den Webdienst bereitstellen, um das Verfügbarmachen von diesem Datenmodell als Webdienst abzuschließen.

Die Web-Service-Dashboard wird angezeigt, sobald der Webdienst bereitgestellt wird. Das Web Service-Dashboard bietet Informationen zum zugreifen, konfigurieren und Testen des Webdiensts. Klicken Sie auf den Link testen hervorgehoben Abbildung 5.

Abbildung 5-Web-Service-Dashboard in Azure Machine Learning Studio

Klicken Sie auf die Schaltfläche, um die Beispieldaten auf dem Bildschirm zu aktivieren, das folgt. Aktivieren die Beispieldaten macht eine Teilmenge der Trainingsdaten im Dialogfeld "Test". Das Ziel ist, um den Webdienst für den Benutzer mithilfe des Webdiensts zu vereinfachen. Nach kurzer werden auf dem Formular die Textfelder mit Werten aufgefüllt. Klicken Sie auf die Schaltfläche "Testen Anforderungsantwort" zum Testen des Webdiensts. Testergebnisse werden in der rechten Seite des Bildschirms nach ein paar Minuten noch einmal angezeigt.

Nutzung des trainierten Modells in Excel

Nun, dass das trainierte Modell als Webdienst bereitgestellt wurde, können sie durch alle HTTP-REST-fähiger Client, einschließlich Excel 2013 und höher genutzt werden. Excel ist eine ausgezeichnete Clientanwendung für alle Vorhersagemodell, entspricht die de facto Analytics-Tools für Geschäftsbenutzer weltweit. Darüber hinaus wird Excel in zahlreichen anderen Analytics Tools, z. B. Power BI integriert.

Installieren von Azure Machine Learning-Add-In

Zum Nutzen-add-in Modellen aus Azure Machine Learning Sie installieren die Azure Machine Learning müssen in Excel. Klicken Sie auf der Registerkarte "Einfügen", und klicken Sie auf die Schaltfläche "Speichern" (siehe Abbildung 6).

Abbildung 6 ein Add-in zu Excel 2016 installieren

Klicken Sie im folgenden Dialogfeld auf Speichern und geben Sie "Azure Machine Learning" in das Suchfeld, und drücken Sie die EINGABETASTE. Wie unter Abbildung 7, die Azure Machine Learning-add-in ist das erste Ergebnis. Klicken Sie auf Hinzufügen, um es zu installieren.

Abbildung 7, suchen den Speicher für die Azure Machine Learning-Add-in

Nachdem das Add-In installiert wurde, wird ein Azure Machine Learning-Bereich auf der rechten Seite des Arbeitsblattes angezeigt. Beachten Sie, dass Dienste standardmäßig bereits hinzugefügt. Klicken Sie auf die Schaltfläche Webdienst hinzufügen zum Hinzufügen des Webdiensts, die gerade erstellt haben. Das Dialogfeld Hinzufügen eines Diensts im Azure Machine Learning-Bereich zeigt dann die beiden Textfelder ein: Eine für die Webdienst-URL und eine für den API-Schlüssel auf den Dienst zuzugreifen. API-Schlüssel gefunden wird, auf dem Web Service-Dashboard in Abbildung 5. Die URL kann auf das gleiche Dashboard gefunden werden. Klicken Sie im Abschnitt Standard-Endpunkt mit der rechten Maustaste Textlink Anforderung/Antwort, und wählen Sie Kopie-Link zu die URL in die Zwischenablage kopieren. Fügen Sie den Wert in das Textfeld "URL" in Excel entsprechend Abbildung 8.

Abbildung 8 Hinzufügen einer Azure Machine Learning-Webdienst in Excel

Klicken Sie auf Hinzufügen, um den Webdienst in der aktuellen Tabelle hinzuzufügen.

Den Webdienst aus Excel

Nach dem Hinzufügen des Webdiensts können Sie es verwenden. Klicken Sie im Bereich Azure Machine Learning Binary Classification: Flight Delay Prediction aus der Liste der verfügbaren Dienste aus. Klicken Sie auf Beispieldaten verwenden, und in wenigen Augenblicken wird das Arbeitsblatt mit einer Tabelle mit Werten aufgefüllt. Geben Sie in das Textfeld Eingabe "" Sheet1 "! A1:N6 "Einschließen aller Sample-Daten (vorausgesetzt, dass das Arbeitsblatt" Sheet1 "heißt). Geben Sie in das Textfeld für die Ausgabe "O1." Sofort wird unterhalb des Textfelds Ausgabe eine Warnmeldung angezeigt, über das Überschreiben vorhandener Werte. Klicken Sie auf erhalten haben, um die Warnung zu verwerfen.

Klicken Sie auf Vorhersagen und die vorhergesagten Werte angezeigt, in ein paar Minuten noch einmal. Die Add-in und Link zum Webdienst sind jetzt Teil der Excel-Datei. Sie können jetzt speichern und freigeben die Datei mit interessierten Parteien. Andere Benutzer müssen keine anschließend das Add-in installieren oder Konfigurieren des Webdiensts als die Add-in-Installation und Konfiguration behandelt wurde der für sie.

Zugreifen auf den Webdienst in anderen Anwendungen

Navigieren Sie zu der Web-Service-Dashboard angezeigt, die Abbildung 5. Beachten Sie, dass – Verfassung dieses Dokuments – es wird eine neue Web-Service-Benutzeroberfläche in der Vorschau. Klicken Sie auf den Link, um die neuen Web Service-Dashboard-Benutzeroberfläche anzeigen. Klicken Sie unter Grundlagen auf den Link "Endpunkt verwenden", um eine Reihe von Optionen zum Nutzen des Dienstes anzeigen.

Zusätzlich zu den API-Zugriffsschlüssel und die Dienstendpunkte ist es Beispielcode für den Zugriff auf den Dienst in c#, Python und R. Es gibt auch ein Link zu den Azure ML Anforderung / Antwort-Service-Web-App-Projekt, das sofort eine Azure-Website, die die Daten, das Erstellen nutzt auf bit.ly/2wBHE1j. Weitere Informationen und eine ausführliche exemplarische Vorgehensweise zur Funktionsweise dieser Vorlage finden Sie in der Dokumentation unter bit.ly/2yt99Ye.

Zusammenfassung

In diesem Artikel wurde ich veranschaulicht, wie ML-Modelle in Machine Learning Studio erstellt werden, um Benutzer mit der Außenwelt verfügbar zu machen. Beginnen mit einem Vorhersagemodell in der vorherigen Spalte erstellt, veranschaulicht ich dieses Modell mehr als nur Datenanalysten bereitstellen. Nachdem alle ist aus einem Vorhersagemodell nur so hilfreich, wie sie für Entscheidungsträger zugänglich ist. Ein Großteil der schnelle Tempo Innovation in Machine learning-in letzter Zeit kann zum Verfügbarmachen von Azure Machine Learning-Technologie weit für Geschäftskunden und Heimanwendern zurückverfolgt werden.

Nutzung der Cloud können diese Modelle bereitgestellt und ohne alle zusätzlichen Infrastruktur Belastung der Organisation vorhandene IT-Systeme skaliert werden. In der Tat ist wenig zusätzlichen Aufwand seitens Entwickler zum Integrieren von Vorhersagemodellen von Machine Learning Studio erforderlich. Nun, dass sie einfach auf diese Modelle häufig zum explorative Analyse in Excel und Integration in andere Anwendungen verfügbar ist, ist das Potenzial hinzuzufügenden Wert mit Machine Learning unbegrenzte.

Frank La Vigne führt der Daten & Analytics Vorgehensweise Wintellect und Co-Hosts DataDriven Podcast. HE-Blogs regelmäßig in FranksWorld.com und Sie können ihn auf seine YouTube-Kanal anzusehen "Franks World TV" (FranksWorld.TV).

Unser Dank gilt den folgenden technischen Experten für die Durchsicht dieses Artikels: Andy Leonard

Diesen Artikel im MSDN Magazine-Forum diskutieren