Machine Learning in der Microsoft-Cloud: Azure ML und Machine Learning Studio

Machine Learning ist – zusammen mit Big Data oder Artificial Intelligence (AI) – seit einiger Zeit eines der Top-Themen bei Data Scientists. Und dies nicht ohne Grund: Die in Aussicht gestellten Anwendungsfälle und Ergebnisse – von vollautomatischer Bilderkennung bis zur Vorhersage von Marktentwicklungen – sind äusserst vielversprechend. Allerdings scheinen für viele die Einstiegshürden hoch. Dieser Blogpost soll zeigen, dass der Einstieg in Machine Learning mit Cloud Plattformen wie Azure aber sehr einfach sein kann.

Azure Cloud Plattform

Microsofts Cloud Plattform Azure (azure.microsoft.com) bietet ein umfassendes Portfolio von rund 400 Diensten zu diversen Bereichen der IT. Acht davon widmen sich dem Thema AI + Machine Learning. Neben konventionellen Services für die Regressionsanalyse, Klassifikationsansätze und Co. gibt es darunter auch hoch spezialisierte Dienste. Beispielsweise Cognitive Services, mit denen der Gehalt von unstrukturierten Daten wie Texten, Bildern und Videos analysiert werden können. Die Cognitive Services erlauben zudem eine Sprachübersetzung und Gesichtserkennung in Echtzeit. Spannend ist auch Genomics Accounts, der zur Sequenzierung von Erbgut eingesetzt wird. Gebräuchlicher und sicherlich für breitere Anwendungen am besten geeignet dürfte aber der Machine Learning-Dienst Azure ML sein.

Azure ML

Azure ML bezeichnet eine Plattform, die den gesamten Machine Learning-Lifecycle unterstützt: Zentrale Elemente stellen dabei die Bereitstellung von Speicher (Storage) für die Daten und Modelle sowie von Rechenkapazität (Compute) für das Training und die Anwendung von ML-Modellen. Dazu kommen Metriken, um die Güte des trainierten Modells zu evaluieren, und ein Monitoring der auf dem Modell basierenden API. Schliesslich wird noch eine CI/CD-Pipeline benötigt zur Automatisierung der Prozesse. Die Kombination dieser Bausteine ermöglicht auch umfangreiche, anspruchsvolle Anwendungen in produktiven Umgebungen.

Microsoft stellt SDKs (Software Development Kits) sowohl für Python (azureml-sdk) wie auch für R (azureml-sdk-for-r) bereit und unterstützt alle bekannten Machine Learning- und Deep Learning-Frameworks wie scikit-learn, TensorFlow, Keras und PyTorch. Dadurch sind die SDKs sehr mächtig, benötigen aber auch einiges an Einarbeitungszeit, Knowhow und Coding: Von Estimator, über Experiment, Pipeline oder ScriptRunConfig-Objekten muss alles selbst definiert werden. Deutlich einfacher gelingt der Einstieg mit der No Code– oder Low Code-Lösung Machine Learning Studio von Azure ML.

Machine Learning Studio

Das Machine Learning Studio ist eine durch grafische Benutzeroberflächen unterstützte Entwicklungsumgebung speziell für maschinelles Lernen. Sie erlaubt es, mit minimalen Einstiegshürden und ohne eigenen Code Machine Learning zu betreiben. Es gibt natürlich Einschränkungen gegenüber der Nutzung der SDKs, insbesondere bezüglich der Unterstützung komplexerer ML-Techniken und der Automatisierbarkeit.

Doch was ist möglich mit dem GUI-basierten Ansatz? Und wie funktioniert dieser? Diese Fragen möchte ich in einem nächsten Blogpost anhand eines konkreten Anwendungsbeispiels im Thema Elektromobilität diskutieren.