Challenge 09: Workspace do Azure Machine Learning
25-35 min | Custo: Gratuito | Domínio: Machine Learning no Azure (15-20%)
Habilidades do exame abordadas
- Descrever capacidades do Automated Machine Learning
- Descrever serviços de dados e computação para machine learning
- Descrever capacidades de gerenciamento e implantação de modelos no Azure ML
Visão Geral
Azure Machine Learning (Azure ML) é uma plataforma em nuvem para construir, treinar e implantar modelos de machine learning. O workspace é o hub central — pense nele como seu laboratório de ML que contém todos os seus experimentos, dados, modelos e recursos de computação em um espaço organizado.
Pense no workspace do Azure ML como uma cozinha profissional. A cozinha (workspace) contém ingredientes (datasets), equipamentos de cozinha (computação), receitas (notebooks/pipelines), pratos prontos (modelos treinados) e um balcão de serviço (endpoints para implantação). Tudo que você precisa para todo o ciclo de vida do ML está em um só lugar.
O Azure ML suporta três abordagens principais: Automated ML (a plataforma constrói modelos para você), Designer (pipelines visuais drag-and-drop) e Notebooks (escrever código diretamente). Para o exame AI-900, foque em entender o que cada componente faz em vez de como programar com ele.
Explorar
Tarefa 1: Componentes do workspace do Azure ML
| Componente | Propósito | Analogia |
|---|---|---|
| Workspace | Contêiner de nível superior para todos os ativos de ML | O laboratório |
| Datastores | Conexões com armazenamento de dados (Blob, SQL, etc.) | Despensa de ingredientes |
| Datasets | Coleções registradas e versionadas de dados | Ingredientes preparados para receita |
| Instâncias de computação | VMs para desenvolvimento (notebooks) | Sua estação de trabalho pessoal |
| Clusters de computação | VMs escaláveis para jobs de treinamento | Fornos industriais |
| Experimentos | Registros de execuções de treinamento com métricas | Caderno de laboratório com resultados |
| Modelos | Modelos de ML treinados (registrados e versionados) | Receitas aperfeiçoadas |
| Endpoints | Modelos implantados servindo previsões | Balcão de atendimento do restaurante |
| Pipelines | Fluxos de trabalho automatizados (prep dados → treinar → implantar) | Linha de montagem |
Tarefa 2: Navegar pelo Azure ML Studio
- Visite ml.azure.com (Azure Machine Learning Studio)
- Se você não tem um workspace, explore a interface conceitualmente:
- Menu esquerdo: Autor (Notebooks, Automated ML, Designer) | Ativos (Dados, Jobs, Modelos, Endpoints) | Gerenciar (Computação)
- Áreas-chave para entender para o exame:
- Automated ML: Faça upload de dados → escolha coluna-alvo → Azure constrói o melhor modelo
- Designer: Construtor visual de pipelines drag-and-drop
- Modelos: Registro de todos os modelos treinados com versões
- Endpoints: Onde modelos implantados servem previsões
Tarefa 3: Entender capacidades do Automated ML
Automated ML (AutoML) automatiza as partes mais demoradas do machine learning:
| Etapa | O que o AutoML faz automaticamente |
|---|---|
| Seleção de algoritmo | Testa múltiplos algoritmos (regressão logística, árvores de decisão, gradient boosting, etc.) |
| Ajuste de hiperparâmetros | Encontra as melhores configurações para cada algoritmo |
| Engenharia de features | Cria e seleciona as features mais úteis |
| Avaliação de modelo | Compara todos os modelos usando métricas apropriadas |
| Seleção do melhor modelo | Retorna o modelo com melhor desempenho |
AutoML suporta três tipos de tarefa:
- Classificação — prever categorias
- Regressão — prever números
- Previsão de séries temporais — prever valores futuros ao longo do tempo
Tarefa 4: Implantação de modelos e endpoints
Uma vez que um modelo é treinado, ele precisa ser implantado para que aplicações possam usá-lo:
| Tipo de implantação | Caso de uso | Como funciona |
|---|---|---|
| Endpoint em tempo real | Previsões imediatas | Aplicação envia dados, recebe previsão instantaneamente (API REST) |
| Endpoint batch | Processar grandes datasets | Envie um dataset, receba previsões depois (assíncrono) |
Fluxo de implantação:
- Registrar o modelo no Registro de Modelos
- Criar um endpoint (tempo real ou batch)
- Implantar o modelo no endpoint
- Testar enviando dados e recebendo previsões
- Monitorar desempenho e drift de dados ao longo do tempo
# List Azure ML workspaces in your subscription
az ml workspace list --output table
# List compute instances in a workspace
az ml compute list --workspace-name my-workspace --resource-group my-rg --output table
# List registered models
az ml model list --workspace-name my-workspace --resource-group my-rg --output table
Conceitos-Chave
| Conceito | Definição |
|---|---|
| Workspace do Azure ML | Hub central contendo todos os recursos de ML: dados, computação, modelos, endpoints |
| Automated ML (AutoML) | Recurso que treina e compara automaticamente múltiplos modelos, selecionando o melhor |
| Instância de computação | VM única para desenvolvimento e testes (notebooks) |
| Cluster de computação | Grupo escalável de VMs que cresce/diminui conforme a demanda dos jobs de treinamento |
| Registro de modelos | Catálogo versionado de modelos treinados para rastreamento e implantação |
| Endpoint em tempo real | Modelo implantado que retorna previsões imediatamente via API REST |
| Endpoint batch | Modelo implantado que processa grandes datasets de forma assíncrona |
| Pipeline de ML | Fluxo de trabalho automatizado e repetível para todo o processo de ML |
| Designer | Ferramenta visual drag-and-drop para construir pipelines de ML sem código |
Conceitos Errôneos Comuns
| Conceito errôneo | Realidade |
|---|---|
| "Você precisa saber programar para usar Azure ML" | O Azure ML Designer fornece uma experiência visual drag-and-drop, e o Automated ML constrói modelos com configuração mínima. Código (Python) é opcional |
| "Automated ML produz modelos prontos para produção toda vez" | Automated ML dá um ótimo ponto de partida, mas implantação em produção frequentemente requer avaliação, testes e monitoramento adicionais |
| "Uma instância de computação é necessária para implantar um modelo" | Instâncias de computação são para desenvolvimento. Modelos implantados rodam em endpoints gerenciados — infraestrutura separada otimizada para servir previsões |
| "Uma vez implantado, um modelo nunca precisa de atualização" | Modelos degradam ao longo do tempo conforme dados do mundo real mudam (concept drift / data drift). Monitoramento e retreinamento são necessidades contínuas |
| "Azure ML e Azure AI services são a mesma coisa" | Azure AI services fornecem APIs de IA pré-construídas e prontas para uso. Azure ML é para construir seus PRÓPRIOS modelos customizados a partir dos seus dados |
Verificação de Conhecimento
1. Um cientista de dados quer que o Azure tente automaticamente múltiplos algoritmos e selecione o modelo com melhor desempenho para seu dataset. Qual recurso do Azure ML deve usar?
2. Qual é o propósito de um endpoint em tempo real no Azure Machine Learning?
3. Qual componente do Azure ML fornece uma experiência visual, drag-and-drop para construir pipelines de machine learning?
4. Qual é a diferença entre uma instância de computação e um cluster de computação no Azure ML?
5. Qual é a diferença principal entre Azure Machine Learning e Azure AI services?