Come un modello di Machine Learning Studio (versione classica) viene convertito da esperimento a servizio Web

SI APPLICA A: Machine Learning Studio (versione classica) di Azure Machine Learning

Machine Learning Studio (versione classica) offre un'area di disegno interattiva che consente di sviluppare, eseguire, testare ed eseguire un esperimento che rappresenta un modello di analisi predittiva. Sono disponibili diversi moduli che consentono di:

• Immettere i dati nell'esperimento
• Manipolare i dati
• Eseguire il training di un modello usando algoritmi di Machine Learning
• Assegnare un punteggio al modello
• Valutare i risultati
• Restituire i valori finali

Dopo aver soddisfatto l'esperimento, è possibile distribuirlo come servizio Web di Machine Learning (versione classica) o come servizio Web di Azure Machine Learning in modo che gli utenti possano inviarli nuovi dati e ricevere i risultati.

Questo articolo fornisce una panoramica dei meccanismi in base ai quali il modello di Machine Learning passa da esperimento di sviluppo a servizio Web operativo.

Anche se Machine Learning Studio (versione classica) è progettato per facilitare lo sviluppo e la distribuzione di un modello di analisi predittiva, è possibile usare Studio (versione classica) per sviluppare un esperimento che non include un modello di analisi predittiva. Un esperimento, ad esempio, potrebbe limitarsi a inserire i dati, manipolarli e quindi generare l'output dei risultati. In modo analogo a un esperimento di analisi predittiva, è possibile distribuire questo esperimento non predittivo come servizio Web. Il processo, tuttavia, è più semplice perché l'esperimento non eseguirà il training né assegnerà un punteggio a un modello di Machine Learning. Anche se non rappresenta l'uso tipico di Studio (versione classica), questo scenario verrà incluso nella discussione per offrire una panoramica completa del funzionamento di Studio (versione classica).

Sviluppo e distribuzione di un servizio Web predittivo

Di seguito sono illustrate le fasi di sviluppo e distribuzione di una soluzione tipica con Machine Learning Studio (versione classica):

Figura 1 - Fasi di un modello di analisi predittiva tipico

Esperimento di training

L'esperimento di training rappresenta la fase iniziale dello sviluppo del servizio Web in Machine Learning Studio (versione classica). Lo scopo dell'esperimento di training è di fornire un'area in cui sviluppare, testare, eseguire l'iterazione e infine il training di un modello di Machine Learning. È possibile eseguire il training anche di più modelli contemporaneamente alla ricerca della soluzione migliore. Al termine della sperimentazione, tuttavia, verrà selezionato un solo modello sottoposto a training, mentre gli altri verranno eliminati. Per un esempio di sviluppo di un esperimento di analisi predittiva, vedere Sviluppare una soluzione di analisi predittiva per la valutazione dei rischi di credito in Machine Learning Studio (versione classica).

Esperimento predittivo

Dopo aver eseguito il training del modello nell'esperimento di training, fare clic su Set Up Web Service (Configura servizio Web) e selezionare Predictive Web Service (Servizio Web predittivo) in Machine Learning Studio (versione classica) per avviare il processo di conversione dell'esperimento di training in un esperimento predittivo. Lo scopo dell'esperimento predittivo è quello di usare il modello sottoposto a training per assegnare un punteggio ai nuovi dati, con l'obiettivo di renderlo infine operativo come servizio Web di Azure.

Questa conversione viene eseguita automaticamente con i passaggi seguenti:

• Conversione del set di moduli usati per il training in un singolo modulo che viene salvato come modello sottoposto a training
• Eliminazione di eventuali moduli estranei non correlati all'assegnazione dei punteggi
• Aggiunta di porte di input e di output che verranno usate dal servizio Web finale

È possibile apportare altre modifiche per preparare l'esperimento predittivo per la distribuzione come servizio Web. Se, ad esempio, è necessario che il servizio Web restituisca solo un subset di risultati, è possibile aggiungere un modulo di filtro prima della porta di output.

In questo processo di conversione l'esperimento di training non viene rimosso. Al termine del processo, Studio (versione classica) includerà due schede: una per l'esperimento di training e una per l'esperimento predittivo. In questo modo, è possibile apportare modifiche all'esperimento di training prima di distribuire il servizio Web e ricompilare l'esperimento predittivo. In alternativa, è possibile salvare una copia dell'esperimento di training per iniziare un'altra linea di sperimentazione.

Servizio Web

Quando l'esperimento predittivo soddisfa le esigenze, è possibile distribuire il servizio come servizio Web classico o come nuovo servizio Web basato su Azure Resource Manager. Per rendere operativo il modello distribuendolo come servizio Web classico di Machine Learning, fare clic su Deploy Web Service (Distribuisci servizio Web) e selezionare Deploy Web Service [Classic] (Distribuisci servizio Web [Classico]). Per eseguire la distribuzione come nuovo servizio Web di Machine Learning, fare clic su Deploy Web Service (Distribuisci servizio Web) e selezionare Deploy Web Service [New] (Distribuisci servizio Web [Nuovo]). Gli utenti ora possono inviare i dati al modello con l'API REST del servizio Web e ricevere i risultati. Per altre informazioni, vedere Come usare un servizio Web di Machine Learning.

Caso non tipico: creazione di un servizio Web non predittivo

Se l'esperimento non prevede il training di un modello di analisi predittiva, non è necessario creare un esperimento di training e un esperimento per l'assegnazione dei punteggi. L'esperimento è uno solo ed è possibile distribuirlo come servizio Web. Machine Learning Studio (versione classica) rileva se l'esperimento contiene un modello predittivo analizzando i moduli usati.

Dopo aver ripetuto l'esperimento e averlo verificato:

1. Fare clic su Set Up Web Service (Configura servizio Web) e selezionare Retraining Web Service (Servizio Web di ripetizione del training). I nodi di input e di output verranno aggiunti automaticamente.
2. Fare clic su Esegui
3. Fare clic su Deploy Web Service (Distribuisci servizio Web) e selezionare Deploy Web Service [Classic] (Distribuisci servizio Web [Classico]) o Deploy Web Service [New] (Distribuisci servizio Web [Nuovo]), a seconda dell'ambiente in cui si vuole eseguire la distribuzione.

Il servizio Web ora è distribuito ed è possibile accedervi e gestirlo proprio come si fa con un servizio Web predittivo.

Aggiornamento del servizio Web

Ora che l'esperimento è stato distribuito come servizio Web, cosa fare se è necessario aggiornarlo?

Dipende da che cosa è necessario aggiornare:

Si vuole cambiare l'input o l'output oppure si vuole modificare il modo in cui il servizio Web manipola i dati

Se non si intende cambiare il modello, ma solo il modo in cui il servizio Web gestisce i dati, è possibile modificare l'esperimento predittivo e quindi fare clic su Deploy Web Service (Distribuisci servizio Web) e selezionare di nuovo Deploy Web Service [Classic] (Distribuisci servizio Web [Classico]) o Deploy Web Service [New] (Distribuisci servizio Web [Nuovo]). Il servizio Web viene arrestato, l'esperimento predittivo aggiornato viene distribuito e il servizio Web viene riavviato.

Ecco un esempio: Si supponga che l'esperimento predittivo restituisca l'intera riga di dati di input con il risultato stimato. È possibile stabilire che il servizio Web deve restituire solo il risultato. È possibile aggiungere un modulo Project Columns nell'esperimento predittivo, subito prima della porta di output, per escludere le colonne diverse da quella del risultato. Quando si fa clic su Deploy Web Service (Distribuisci servizio Web) e si seleziona di nuovo Deploy Web Service [Classic] (Distribuisci servizio Web [Classico]) o Deploy Web Service [New] (Distribuisci servizio Web [Nuovo]), il servizio Web viene aggiornato.

Si vuole ripetere il training del modello con i nuovi dati

Per conservare il modello di Machine Learning, ripetendone però il training con i nuovi dati, sono disponibili due opzioni:

1. Ripetere il training del modello mentre il servizio Web è in esecuzione: per ripetere il training del modello mentre il servizio Web predittivo è in esecuzione, è necessario apportare alcune modifiche all'esperimento di training per renderlo un esperimento di ripetizione del training e quindi distribuirlo come servizio Web di ripetizione del training. Per istruzioni in proposito, vedere Ripetere il training dei modelli di Machine Learning a livello di codice.

2. Tornare all'esperimento di training originale e usare dati di training diversi per sviluppare il modello: l'esperimento predittivo è collegato al servizio Web, ma l'esperimento di training non è direttamente collegato in questo modo. Se si modifica l'esperimento di training originale e si fa clic su Set Up Web Service (Configura servizio Web), verrà creato un nuovo esperimento predittivo che, se distribuito, creerà un nuovo servizio Web. Non verrà semplicemente aggiornato il servizio Web originale.

   Se è necessario modificare l'esperimento di training, aprirlo e fare clic su Save As (Salva con nome) per creare una copia. In questo modo l'esperimento di training, l'esperimento predittivo e il servizio Web originali rimarranno invariati. È quindi possibile creare un nuovo servizio Web con le modifiche. Dopo aver distribuito il nuovo servizio Web, è possibile decidere se arrestare il servizio Web precedente o lasciarlo in esecuzione insieme a quello nuovo.

Si vuole eseguire il training di un modello diverso

Per apportare modifiche all'esperimento predittivo originale, ad esempio selezionando un algoritmo di Machine Learning diverso, provando un metodo di training diverso e così via, è necessario attenersi alla seconda procedura descritta sopra per ripetere il training del modello: aprire l'esperimento di training, fare clic su Save As (Salva con nome) per creare una copia e quindi avviare il nuovo percorso di sviluppo del modello, creazione dell'esperimento predittivo e distribuzione del servizio Web. Verrà così creato un nuovo servizio Web non correlato a quello originale. È possibile decidere se lasciare in esecuzione uno dei due oppure entrambi.

Passaggi successivi

Per altri dettagli sul processo di sviluppo di un esperimento, vedere gli articoli seguenti:

• conversione dell'esperimento - Come preparare il modello per la distribuzione in Machine Learning Studio (versione classica)
• distribuzione del servizio Web - Distribuire un servizio Web di Machine Learning
• Ripetizione del training del modello: Ripetere il training dei modelli di Machine Learning a livello di codice

Per esempi dell'intero processo, vedere:

• Esercitazione di Machine Learning: Creare il primo esperimento in Machine Learning Studio (versione classica)
• Procedura dettagliata: Sviluppare una soluzione di analisi predittiva per la valutazione dei rischi di credito in Machine Learning Studio (versione classica)