Azure Machine Learning, cz. I – wprowadzenie

Azure Machnine Learning to młoda i dość dynamicznie rozwijana usługa. Jak sama nazwa wskazuje pozwala na budowę modeli uczenia maszynowego. Jednak równie dobrze, może wykonać część zadań integracji danych, które wykonuje inny produkt Microsoftu, a mianowicie SQL Server Integration Services. Osoby korzystające wcześniej z SSIS szybko zauważą, podobieństwo w interfejsie edycji modelu.

Usługa uczenia maszynowego pozwala na prostą integrację z różnymi źródłami danych (bazy SQL Server, Azure Storage, Hadoop oraz Azure DocumentDB). Pozwala także na proste wykonywanie skryptów w językach Python i R, które są obecnie doceniane przez osoby zajmujące się analizą danych, a także dodają do funkcjonalności usługi wiele preinstalowanych pakietów bibliotek, które mogą być wykorzystywane w tworzonych skryptach. Ponad to możliwa jest instalacja pakietów dostarczonych przez użytkownika w trakcie wykonywania modelu.

W trakcie przygotowań swojej pracy magisterskiej spotkałem się jednak z istotnymi wówczas dla mnie ograniczeniami:

  • brak możliwości wykorzystania pakietów R, które wykorzystują biblioteki Javy (jar)
  • mimo preinstalowanych dedykowanych pakietów nie jest możliwe wywołania żądania do innego serwisu. Według strony Microsoftu jest to związane z tym, że środowisko uruchomieniowe działa w ramach sanboxu.

Rozwiązania dla obu problemów są w planach i przygotowaniach przez usługodawcę.

Istotną cechą wykorzystania tego rozwiązania jest możliwość przeniesienia wykonania modeli do chmury obliczeniowej. Dzięki czemu nie należy przejmować się ograniczeniami sprzętowymi. Natomiast opłaty rozliczane są za czas wykonywania obliczeń. Oraz możliwość przygotowania w prosty sposób usługi webowej na podstawie utworzonego modelu.

W kolejnym wpisie opiszę pierwsze kroki w usłudze wraz z opisem poszczególnych jej elementów usługi.