Azure Machine Learning Studio

Microsoft richtet sich mit seinem Produkt Azure vor allem an Softwareentwickler und stellt diesen Datenbanken und Anwendungen flexibel in der Cloud zur Verfügung. Ein noch produktiverer Einsatz von Azure ist dabei mit dem Machine Learning Studio möglich, das Programmierer direkten Zugriff auf Machine Learning-Tools inmitten ihrer gewohnten Entwicklungsumgebung verschafft. Es handelt sich hierbei um eine browserbasierte Lösung, die vor allem auf ein übersichtliches Interface und eine einfache Bedienung setzt.

Machine Learning Studio ermöglicht das Entwickeln per Drag & Drop, der Anwender muss keinen eigenen Code mehr schreiben. Dadurch sollen sich die Entwicklungsprozesse in den Unternehmen deutlich beschleunigen lassen. Der Anwender wählt dabei aus einer Vielzahl von vorgefertigten Algorithmen und sonstigen Bausteinen aus, um seine Ideen mit Bezug zum maschinellen Lernen effektiv und schnell umzusetzen. Microsoft möchte damit Einstieghürden abbauen und einem möglichst großen Kreis von Entwicklern Zugang zu den Möglichkeiten moderner künstlicher Intelligenz verschaffen.

Features

Zu den wichtigsten Features von Machine Learning Studio gehören die Entwicklung ohne die Verwendung von Code und die Unterstützung von Open-Source. Die Machine Learning-Modelle lassen sich ganz ohne Programmierkenntnisse erstellen und bereitstellen. Dafür stellt Azure eine visuelle Oberfläche zur Verfügung, auf der sich die einzelnen Elemente zum Zusammenstellen der Modelle per Drag & Drop bewegen lassen. Funktionen lassen sich automatisiert erstellen und auch die Algorithmenauswahl und das Hyperparamter-Sweeping sind hier automatisiert.

Die Hyperparamteroptimierung ist ein wichtiges Konzept im Bereich des maschinellen Lernens und bezeichnet die Suche nach den besten sogenannten Hyperparametern. Hierbei handelt es sich um Parameter, die der Anwender noch vor dem Training des Modells definiert und die zur Steuerung des Trainingsalgorithmus dienen. Das zweite wichtige Feature bezieht sich auf die Tools, die der Anwender im Rahmen von Machine Learning Studio verwenden darf. Hier setzen die Entwickler auf ihre gewohnten Open-Source-Tools, die alle in Machine Learning Studio dank dessen offener Architektur einsetzbar sind. Dazu gehören zum Beispiel Python, PyTorch oder TensorFlow.

Da Microsoft Machine Learning Studio in Azure bereitstellt, ergeben sich viele Vorteil bei der Nutzung von Cloud-Diensten. Im Prinzip ist die Nutzung beliebiger Daten möglich, die irgendwo in der Cloud abgelegt sind. Damit hat der Anwender die Möglichkeit, seine Modelle von jedem beliebigen Ort aus und mit allen gewünschten Daten zu trainieren, solange diese in der Cloud gespeichert sind. Azure bietet für das Training der Modelle automatisch skalierende Ressourcen in Form von CPU- und GPU-Leistung an. Einige Algorithmen laufen besser auf den Hauptprozessoren der Server, andere Algorithmen nutzen die besonderen Möglichkeiten moderner Grafikchips. Der Anwender erhält in jedem Fall die Ressourcen, die er benötigt und er muss sich nicht um die Bereitstellung dieser Ressourcen kümmern. Das ist einer der entscheidenden Vorteile bei der Nutzung einer Entwicklungsumgebung für maschinelles Lernen im Rahmen eines Cloud-Services.

Funktion/Architektur hinter Azure Machine Learning Studio

Machine Learning Studio bietet grundsätzlich alle Funktionen an, die für das Erstellen und das Trainieren von Modellen erforderlich sind. Der Anwender geht dabei so vor, dass er zuerst die gewünschten Daten abruft, diese Daten für die spätere Verarbeitung vorbereitet und dann seine Funktionen für die Filterung der Datenbestände definiert. Danach wählt er die gewünschten Algorithmen aus, mit denen eine auf Lernen basierte Verarbeitung der Daten erfolgen soll. Dann ist es möglich, aus den gewonnen Ergebnissen Erkenntnisse zu ziehen.

Datenimport & -vorbereitung

Um mit dem Einsatz von Machine Learning Studio sofort beginnen zu können, liefert Microsoft ein Beispielspieldataset mit, ansonsten erfolgt der Bezug der Daten aus der Azure Cloud oder der Nutzer wählt eine andere Quelle für den Datenimport. Die Datenvorbereitung umfasst das Ergänzen eventuell fehlender Daten im Modell wie etwa einzelne fehlende Zeilenwerte in bestimmten Spalten einer Tabelle. Machine Learning Studio bietet für diese Datenbereinigungen verschiedene Module an zum Beispiel für die Entfernung aller Zeilen, in denen keine Daten zu finden sind.

Lernalgorithmen

Danach definiert der Anwender seine Funktionen, die Machine Learning Studio ebenfalls in Form von Modulen zur Verfügung stellt. Der Anwender muss nichts weiter tun, als diese Module in den Arbeitsbereich zu ziehen. Mithilfe der Funktionen lassen sich die Datensätze filtern für die weitere Verarbeitung durch den Lernalgorithmus. Die Lernalgorithmen sind dann für die eigentlichen Trainings und Tests verantwortlich. Zu den typischen Lernalgorithmen gehören “Klassifizierung” und “Regression”. Damit lassen sich aus den vorhandenen Datensätzen zum Beispiel Vorhersagen treffen etwa in Bezug auf Preisentwicklungen. Die Modelle suchen dann selbstständig nach Korrelationen zwischen den verschiedenen in den Datensätzen enthaltenen Merkmalen und Werten und den vorherzusagenden Werten.

Grundsätzlich lohnt sich eine möglichst lange Trainingsdauer der Modelle, um bessere Ergebnisse für die spätere Auswertung zu erhalten. Auch wenn es sich um einen automatisierten Prozess handelt, braucht der Anwender viel Erfahrung bei der Definition des Modells und der Auswahl der richtigen Funktionen, Filter und Algorithmen. Die spielerische Benutzeroberfläche soll den Anwender dazu animieren, zu experimentieren und ein Gefühl dafür zu entwickeln, wie eine gelungene Modellierung bei der gegebenen Problemstellung aussehen kann.

Komponenten

Machine Learning Studio setzt sich aus verschiedenen Komponenten zusammen, die den Einstieg in die Software erleichtern und die Arbeitsproduktivität erhöhen sollen.

MLOps

Dazu gehört zum Beispiel MLOps. MLOps dient dem Verwalten, Bereitstellen und Überwachen von Modellen im Machine Learning. Die Bereitstellung erfolgt flexibel von jedem Ort aus, die ML-Anwendungen lassen sich jederzeit überwachen und es erfolgt eine Automatisierung und Rationalisierung des End-to-End-Lebenszyklusses. MLOps soll bei der Vereinfachung von Workflows unterstützen, damit sich für den Anwender eine möglichst effiziente Arbeitsweise mit dem Werkzeug ergibt. MLOps nutzt dabei verfahren wie Continuous Integration und Continuous Delivery, um den Support und die Wartung zu vereinfachen. Zudem lässt sich über ein zentrales Portal die Leistung bereitgestellter Modelle überwachen. Für die Unternehmen ist MLOps wichtig, damit es beim Einsatz von Machine Learning Studio nicht beim bloßen Experimentieren bleibt, sondern eine produktive und kosteneffektive Verwendung des Tools erreichbar ist.

Weitere Anwendungen

Für die verbesserte Erstellung und Bereitstellung von ML-Modellen bietet Microsoft viele zusätzliche Anwendungen an. Dazu gehören zum Beispiel eine Gesichtserkennungs-API, die natürliche und kontextbezogene Interaktionen ermöglichen soll oder eine leistungsstarke Textübersetzungs-API, damit sich Datensätze mit Text in verschiedenen Sprachen zugänglich machen lassen. Viele dieser Komponenten sind kostenlos zum eigentlich Service von Machine Learning Studio dazubuchbar. Einige davon sehen zum Beispiel eine Beschränkung der maximalen Transaktionen pro Monat vor, bevor der Übergang zu einem kostenpflichtigen Modell erfolgt.

Möglichkeiten

Mit Machine Learning Studio ergeben sich vielfältige Möglichkeiten bei der Erstellung von Vorhersageanalysen. Mittels vorhandener Daten lassen sich Vorhersagen für zukünftige Daten treffen.

Absatzplanung

Einer der wichtigsten Anwendungsfälle für Unternehmen ist zum Beispiel die Planung des Absatzes. Wie entwickeln sich die Preise in der Zukunft und welche Absatzmengen lassen sich in einem bestimmten Markt erreichen? Diese und ähnliche Fragen lassen sich mithilfe von Machine Learning Studio beantworten. Damit ergibt sich die Möglichkeit, die Entscheidungsgrundlagen in den Unternehmen entscheidend zu verbessern. Hiervon können die Mitarbeiter in verschiedenen Abteilungen wie etwa im Vertrieb profitieren.

Selbstlernende Umgebung

Das maschinelle Lernen ist dabei eng verwandt mit dem Data Mining. Bei beiden Verfahren geht es darum, innerhalb der durchsuchten Daten Muster zu erkennen. Data Mining extrahiert diese Muster, um das Verständnis des menschlichen Anwenders in Bezug auf die Daten zu verbessern. Machine Learning Studio bietet ebenfalls die Möglichkeit, entsprechende Muster zu extrahieren, diese nutzt das Modell aber selbst, um zu lernen und sich zu verbessern. Damit bietet das Tool eine selbstlernende Umgebung, in der sich aus Erfahrung Wissen erwerben lässt. Input und Output müssen für diesen Ansatz nicht von Beginn an bekannt sein, um Regeln für die Datenverarbeitung zu generieren. Diese Regeln findet das Programm selbst heraus, der bloße Input in Form von verschiedensten Datensätzen genügt. Damit ergeben sich neue und komplexere Möglichkeiten des Erkenntnisgewinns aus Unternehmensdaten.

Vor- und Nachteile

Zu den größten Vorteilen von Machine Learning Studio gehört sicherlich die einfache Bedienung. Microsoft treibt das Konzept einer rein grafischen Darstellung der Zusammenhänge ohne Code so weit, dass sogar Mitarbeiter ganz ohne Programmierkenntnisse das Tool verwenden können. Das verschafft den Unternehmen eine deutlich höhere Flexibilität beim Einsatz ihrer Mitarbeiter, da keine aufwendigen Nachqualifizierungen erforderlich sind. Geringe oder selbst vollständig fehlende Programmiererfahrungen reichen aus, um Machine Learning Studio im Arbeitsalltag produktiv einzusetzen. Als weiterer Vorteil erweisen sich die nutzungsbasierten Kosten. Der Anwender zahlt nur für Ressourcen, die er in der Azure-Cloud auch tatsächlich nutzt. Vorabkosten entstehen für den Nutzer ebenfalls nicht.

Wirklich effektiv einsetzbar ist Machine Learning Studio mit der Azure Cloud. Das bedeutet aber auch, dass Anwender, die Azur nicht nutzen möchten, von diesem Tool keinen Gebrauch machen können. Wer auf die Möglichkeiten von Machine Learning Studio setzen möchte, der begibt sich automatisch in das Ökosystem von Azure.

Machine Learning Studio – für wen gedacht?

Machine Learning Studio eignet sich vor allem für Anwender, die in ihrem Unternehmen bereits die Azure Cloud einsetzen. Es stellt sich nämlich die Frage, mit welchen Daten sich die erstellten Modelle trainieren lassen. Hier ist es das Einfachste, wenn der Anwender direkt auf seine Cloud-Datensätze zugreift. Sind diese bereits in Azure gespeichert, ergibt sich eine perfekte Integration mit Machine Learning Studio.

Interessant ist Machine Learning Studio damit etwa für große Unternehmen, die grundsätzlich vor dem Problem stehen, mit Datensätzen umgehen zu müssen, die menschliche Mitarbeiter alleine nicht mehr bewältigen können. Hier spielen Algorithmen für das maschinelle Lernen ihre Stärken voll aus. Doch auch kleine Unternehmen und Einzelunternehmer profitieren von der Lösung aufgrund der flexiblen Nutzungsmodelle. Da der Anwender nur für genutzte Ressourcen bezahlt, ergeben sich entsprechende Kosteneinsparungen bei Verwendungsszenarien mit geringem Umfang.

Fazit

Machine Learning Studio ist eine leistungsstarke Entwicklungsumgebung für alle diejenigen, die von den Möglichkeiten des maschinellen Lernens profitieren möchten. Unternehmen produzieren heute mehr und größere Datensätze als jemals zuvor. Für den Geschäftserfolg ist es entscheidend, aus diesen Datensätzen die richtigen Schlüsse für die strategische Ausrichtung des Unternehmens zu ziehen. Wie verändert sich das Kundenverhalten im Zeitablauf, mit welchen Preisänderungen ist bei den einzelnen Produkten des Unternehmens zu rechnen und wie verändern sich die Märkte in der Zukunft? Auf solche Fragen möchten Unternehmen Antworten erhalten.

Das maschinelle Lernen hilft dabei, Daten effektiver zu nutzen und Erkenntnisse zu erlangen, die die Mitarbeiter alleine nicht hervorbringen können. In diesem Sinne ist das maschinelle Lernen häufig die Voraussetzung dafür, dass die Unternehmen im Wettbewerb bestehen können. Machine Learning Studio hilft dabei, möglichst vielen Anwender in den Unternehmen einen leichten Zugang zum wichtigen Thema maschinelles Lernen zu verschaffen.