Обзор технологий машинного обучения Microsoft

Искусственный интеллект и, в частности, машинное обучение могут принести большую пользу владельцу бизнеса. Многие компании используют инструменты платформы данных Microsoft уже много лет. Microsoft использовала машинное обучение для создания своих продуктов, таких как Xbox, Bing Search и так далее. Однако с 2014 года они начинают предоставлять возможности для опытных пользователей и конечных пользователей внедрять машинное обучение в свои отчеты и программное обеспечение.

Мы можем классифицировать Microsoft Tools на основе того, как мы можем использовать машинное обучение в разных категориях:

• Нужно писать код R или Python
• Облачное или локальное размещение

Первая группа может быть основана на том, насколько эти инструменты просты в использовании и насколько они точны.

Мы можем классифицировать этот продукт на основе двух основных категорий:

Предварительно построенный ИИ

Инструменты машинного обучения Microsoft, для которых вам не нужно писать какие-либо коды R или Python для генерации сценария машинного обучения.

Пользовательский ИИ

Инструменты машинного обучения Microsoft, для которых вы должны уметь писать R или Python коды

Первая группа проста в использовании, и вам необходимо следовать инструкциям.

Когда какой ИИ используется

Основное преимущество использования инструментов предварительно построенного ИИ заключается в том, что нет необходимости знать концепцию машинного обучения или, по крайней мере, зная немного, каждый может создать приложение AI. Предварительно сгенерируйте инструменты ИИ, способные решить общую проблему и проблемы, но для некоторых бизнес-задач необходимо использовать другие категории (пользовательский ИИ). Когнитивная служба и структура Bot могут быть классифицированы как инструменты, которые вы можете внедрить в Power BI, Windows или веб-приложения и т. д. без написания каких-либо кодов R или Python. Как упоминалось в связанных сообщениях, нет прямого способа доступа к коду, лежащему в основе предварительно построенных AI-инструментов, поэтому нет способа изменить код, стоящий за ними, и изменить алгоритмы.

Напротив, для использования инструментов пользовательского AI необходимо знать, как кодировать и как писать коды для целей машинного обучения. Однако для некоторых инструментов, таких как Azure ML Studio, есть возможность выполнять машинное обучение без написания кода R или Python, но по крайней мере некоторое понимание того, как работает машинное обучение. Некоторые из инструментов Custom AI предназначены для написания кодов R или Python внутри других инструментов Microsoft, таких как запись R или Python в

• Power BI
• SQL Server 2016 для служб R и SQL Server 2017, службы MNL
• Azure Data Lake Analytics
• Azure Data Bricks
• Azure HDInsight
• .Net Application
• и так далее.

Для обучения Azure Machine есть возможность писать код R или Python, однако среда перетаскивания довольно проста в использовании.

Вторая классификация касается облачных и локальных AI-инструментов. Многие компании по-прежнему предпочитают хранить свои инструменты локально, в то время как некоторые другие компании предпочитают перемещать в облака все свои бизнес-продукты. Также есть несколько компаний, которые способны размещать их как облачно, так и локально.

Если основная стратегия компании будет размещением локально, и они используют Power BI или SQL Server, написание R или python можно легко обрабатывать. Однако, если они предпочитают проводить машинное обучение в облаке, Azure ML Studio, с написанием R или Python на Databricks и Azure Data Analytics, может быть очень полезной.

Третьи категории - это проблема бизнеса, которую мы хотим решить. Характер проблемы и сценарий, который мы хотим обогатить через ИИ, также имеет значение, что помогает нам выбирать конкретные инструменты.

• Применение машинного обучения по сценарию использования IoT
• Текстовая аналитика, анализ речи, изображений и т. д.
• Применение машинного обучения по проекту ETL
• Быстрая запись создает прототип для клиента
• И другие примеры

Сценарии использования Microsoft Machine Learning

Сценарий IoT

Другая классификация для инструментов AI основана на том, будут ли они использоваться для сценариев IoT. Данные в реальном времени - это необходимость, которая была устранена в инструментах Microsoft с использованием Event Hub, Stream Analytics, Data Bricks и т. l. В Power BI существует возможность создания отчета в режиме реального времени на основе реальных данных, поступающих от датчиков, приложений и т. l.

В большинстве случаев этого сценария необходимо идентифицировать аномалию в данных или классифицировать предстоящие данные в разные группы. Используя Azure Machine Learning с аналитикой потока или в блоках данных, мы можем применять машинное обучение по сценариям IoT.

Аналитика изображений, текста и голоса

В стеке Microsoft существуют различные инструменты для анализа изображений, текста и голосовой аналитики. Когнитивные сервисы - один из популярных инструментов для анализа текста, голоса и изображений, который предоставляет API для использования в других приложениях.

Тем не менее, существует возможность обработки изображений и распознавания голоса с помощью платформы CNTK. Эти пакеты и библиотеки Microsoft предоставляют разработчикам возможность использовать его для  машинного обучения с использованием подхода глубокого обучения.

Машинное обучение по процессу ETL (извлечение, передача и загрузка)

Другая возможность заключается в применении машинного обучения к данным, которые были загружены и преобразованы для целей визуализации и создания отчетов. Всегда необходимо применять некоторые описательные или предсказательные аналитические данные, прежде чем показывать их конечным пользователям. В результате для людей, которые используют BI-самообслуживание Power BI, они могут использовать компьютерное обучение с использованием сценариев R и python, чтобы сделать отчеты более проницательными. Другим подходом будет использование R или Python в SQL Server 2016 или 2017 году. Более того, если данные находятся в облаке, есть возможность одновременно использовать Databricks для ETL и машинного обучения.

Прототип машинного обучения

Для компаний, которые впервые хотят использовать машинное обучение по своим данным, Azure Machine Learning Studio - отличный инструмент, способный продемонстрировать реальный процесс машинного обучения от сбора данных для обучения и тестирования моделей. Более того, руководители и заинтересованные стороны могут быстро отслеживать процесс машинного обучения и как его можно использовать как API в других приложениях или простой файл Excel.

Подводя итог, выбор инструментов имеет отношение к тому, что является нашей нынешней архитектурой, сколько усилий мы хотим приложить к программированию и в каком сценарии мы планируем это иметь. Первая классификация была основана на ИИ с предварительной сборкой и пользовательских ИИ. Вторая классификация была основана на текущей архитектуре, которая у нас есть на месте или в облачной базе. Наконец, последнее измерение, которое нам нужно рассмотреть, - это сценарий, который мы ожидаем, например, IOT, ETL или создать прототип.

No Comments