Azure Automated ML: Wie man ohne Code eigene Machine-Learning-Modelle erstellt

Inhaltsverzeichnis

Machine Learning (ML) leicht gemacht: Microsoft stellt auf seiner Cloud-Plattform Azure mit dem Machine Learning Studio ein Toolset bereit, das verschiedene Ansätze zum Erstellen eigener Modelle mit geringem Programmieraufwand bietet.Dieser Artikel zum Thema No-Code-KI widmet sich dem automatischen Generieren eines Modells mithilfe von automatisiertem ML über den Dienst Azure Automated ML. Daneben offeriert Microsoft im Machine Learning Studio mit dem Azure ML Designer auch eine grafische Low-Code-Umgebung zum Erstellen von ML-Modellen und für MLOps.

Kernbestandteil von Azure Machine Learning ist das Machine Learning Studio, ein Webtool, mit dem man seinen gesamten ML-Arbeitsbereich verwalten kann. Außerdem enthält es grafische Werkzeuge, um ML-Prozesse zu automatisieren und Modelle mithilfe von Drag-and-drop-Tools zu entwickeln, ohne dass man dabei eine einzige Zeile Code schreiben muss. Trotzdem haben Fachleute auch die Möglichkeit, eigene Modelle programmatisch zu erstellen.

Mehr zu Machine Learning

• Deep Learning: Das minimalistische ML-Framework tinygrad
• Im Test: SageMaker für Machine Learning in der Cloud
• Einstieg in MLOps, Teil 1: KI-Entwicklung mit Kubeflow erklärt
• Einstieg in MLOps, Teil 2: Mit Kubeflow und Evidently Modellendpunkte erstellen
• Einstieg in MLOps, Teil 3: Modelltraining für Fortgeschrittene in Kubeflow
• Azure Automated ML: So erstellt man ohne Code eigene Machine-Learning-Modelle
• Azure ML Designer für Machine Learning ohne Programmierkenntnisse
• Machine-Learning: Federated Learning vereint KI und Datenschutz
• Betrugserkennung: Wie Maus-Tracking unehrliche Online-Angaben entlarven kann
• Teachable Machine: Eigenes KI-Modell trainieren mit Tools von Google

Kay Glahn

Kay Glahn ist freiberuflich als strategischer und technischer Berater im Bereich neuer und disruptiver Technologien für internationale Kunden tätig.

Verfügt man bereits über einen Azure Account, dann gelangt man über einen direkten Link in den Machine-Learning-Bereich. Er ist der Einstiegspunkt für alle ML-Aktivitäten in Azure und der zentrale Ort, um alle erforderlichen Komponenten einzusehen und zu verwalten. Dort legt man zunächst einen Arbeitsbereich (Workspace) an. Beim Erstellen muss man den Namen, das Azure-Abo, die Ressourcengruppe und die Region angeben. Die Plattform legt anschließend neben dem eigentlichen Arbeitsbereich automatisch weitere Ressourcen wie Speicherkonto (Storage Account), Containerregistrierung (Container Registry), Schlüsseltresor (Key Vault) und Application Insights an.

Das war die Leseprobe unseres heise-Plus-Artikels "Azure Automated ML: Wie man ohne Code eigene Machine-Learning-Modelle erstellt". Mit einem heise-Plus-Abo können sie den ganzen Artikel lesen und anhören.