Azure ML Designer: Einfache Pipelines zum Training einiger KI-Modelle erstellen

Inhaltsverzeichnis

Machine Learning (ML) muss nicht komplex sein. In einem anderen Artikel haben wir bereits das automatische Generieren eines Modells mit automatisiertem ML über den Dienst Azure Automated ML vorgestellt. Möchte man flexibel sein und mehr Konfigurationsmöglichkeiten haben als beim automatisierten ML, aber trotzdem keinen Code schreiben, eignet sich das zweite No-Code-Tool in Microsofts Portfolio, der Azure Machine Learning Designer (ML Designer). Das Tool bietet eine grafische Oberfläche, mit der man Modelle per Drag-and-drop erzeugen kann. Außerdem können die ML-Modelle wie auch bei Azure Automated ML als Service veröffentlicht werden, um sie in den Softwareentwicklungsprozess einzubinden.

Für das Training des Modells definieren Anwender zunächst eine Trainingspipeline. Hierbei legt man per Drag-and-drop den Datenfluss für das Training eines ML-Modells fest. Zum Aufbau der Pipeline enthält der Designer eine Reihe vorgefertigter Module. Obwohl er als No-Code-Umgebung funktioniert, lassen sich Custom Scripts in Python, R und SQL hinzufügen, um aus dem No-Code- einen Low-Code-Ansatz zu machen.

Mehr zu Machine Learning

• Machine Learning: ML-Modelle mit F# und TorchSharp erstellen
• 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.

Neben Trainingspipelines lassen sich mit dem ML Designer auch direkt Inference-Pipelines erstellen, mit denen man das Modell direkt für Vorhersagen einsetzen kann – entweder als Batch- oder als Echtzeitvorhersage. Nach dem Training des Modells kann man es über die Inference-Pipeline als Webservice bereitstellen. Das Ergebnis einer Echtzeitvorhersage kann so unmittelbar in Anwendungen genutzt werden. Bei der Batch-Inference-Pipeline legt das Tool die Ergebnisse in einer Datei ab.

Das war die Leseprobe unseres heise-Plus-Artikels "Azure ML Designer: Einfache Pipelines zum Training einiger KI-Modelle erstellen". Mit einem heise-Plus-Abo können sie den ganzen Artikel lesen und anhören.