Recursos Machine Learning da Microsoft – AI Gallery

Olá pessoal! Sejam bem-vindos ao blog talkitbr. Neste artigo irei continuar a jornada para desvendar recursos Machine Learning da Microsoft.

E dessa vez irei tratar da Galeria da Microsoft para Inteligência Artificial (a AI Gallery), que possui vários exemplos e tutoriais que podem nos ajudar no entendimento do uso de algoritmos e técnicas diversas de Machine Learning para casos como churn, fraud detection, entre outros.

Conhecendo a AI Gallery

A AI Gallery pode ser acessado diretamente pelo site https://gallery.azure.ai/. Nela você terá acesso a soluções, tutoriais diversos, coleções de assets para Machine Learning, projetos, modelos, experimentos, entre outros. Muitos deles são criados e compartilhados pela própria comunidade.

Alguns desses experimentos inclusive podem ser acessados diretamente no MLStudio no momento que você cria um novo experimento. Contudo, aqueles criados pela comunidade não são encontrados diretamente no MLStudio, mas podem ser acessados por aqui.

Tutoriais

Falando mais especificamente sobre os tutoriais, eles têm o propósito de apresentar um determinado conceito e guiá-lo na aplicação deste conceito. No momento da escrita deste artigo, um tutorial de destaque era o de Retail Customer Churn Prediction.

Note que além da parte de descrição do próprio tutorial, você tem acesso ao código (botão “View Code”) que geralmente aponta para um repositório do GitHub contendo todo fonte do tutorial, código, etc. O portal ainda exibe itens relacionados que o ajudam a explorar outros recursos contidos na galeria.

Soluções

Uma solução já é algo pronto para ser feita implantação (botão “Deploy”) no seu ambiente de nuvem Microsoft Azure. Isso geralmente acarreta custos que serão descontados dos seus créditos na sua assinatura Azure. Portanto avalie a solução e suas considerações antes de prosseguir com a implantação. No momento da escrita deste artigo, uma solução de destaque era o de Text Classification with SQL Server. Outra solução também de referência é o Customer 360 que utiliza vários serviços no Azure para um case de relacionamento com cliente. Abaixo é exibido detalhe da arquitetura contida na solução e que tem custo estimado de US $369.25 diários:

Experimentos

Os experimentos já são recursos que você pode adicionar ao seu espaço de trabalho do MLStudio (botão “Open in MLStudio”) e então poder explorar e modificar diretamente na ferramenta. No momento da escrita deste artigo, um experimento de destaque era o de Multiclass Classification: News categorization que define um classificador para cerca de 800.000 notícias obtidas da Reuters em 2004.

Utilizando Experimento da Galeria

Bom, vamos então explorar um dos experimentos contidos na galeria.

  1. Na barra de busca, procure por Flight Delays (exemplo que exploramos no primeiro artigo da série)
  2. Serão exibidos resultados de busca para experimentos, soluções, projetos, etc.
  3. Note que cada resultado apresenta informações que dão mais detalhes sobre o item. No caso dos experimentos, conseguimos visualizar qual técnica de Machine Learning está sendo utilizada.
  4. Nesse caso, vamos focar em um experimento de classificação: o Binary Classification: Flight delay prediction da Microsoft.
  5. Ao abrir o experimento, será fornecida uma breve descrição e também o botão “Open in Studio” (disponível para experimentos).
  6. Clique no botão “Open in Studio”.
  7. Será solicitada sua credencial para acessar o MLStudio. Após o acesso, será solicitada cópia do seu experimento para dentro da sua área de trabalho:
  8. Pronto! O experimento já está preparado para ser executado, inclusive com todos Datasets incluídos, etapas de preparação, treino do modelo e avaliação dos resultados.
  9. Note que todos os módulos do experimento possuem anotações para ajudar no entendimento do procedimento utilizado para a predição.
  10. Esse experimento  utiliza compara dois algoritmos de classificação: Two-Class Boosted Decision Tree e Two-Class Logisic Regression.
  11. Além disso, ele utiliza recursos como “Tune Model Hyperparameters” que define os parâmetros mais otimizados para o algoritmo utilizado com base no Dataset.
  12. Você pode modificar o experimento e simplificá-lo ou tentar incluir outros algoritmos de classificação, análise de dados usando Notebooks, inclusão de módulos para input e output de dados via Web Service, etc.
  13. Assim que estiver pronto, clique no botão “RUN” para executar o experimento (no experimento padrão irá demorar vários minutos devido ao “Tune Model Hyperparameters”. no meu caso foram cerca de 40 minutos).
  14. Ao término, clique na saída “1” do módulo “Evaluate Module” e selecione a opção “Visualize”. Será exibida a comparação dos dois algoritmos:

Contribuindo para a AI Gallery

Você também pode contribuir para a AI Gallery e para a comunidade como um todo fornecendo seus próprios experimentos, soluções, tutoriais e Jupyter Notebooks. Além disso você também pode agrupar esses recursos em setores (recursos de um setor comercial) ou coleções (grupo de recursos da galeria) e então compartilhar com grupo de estudos ou equipe do projeto.

Seguem links com descrição detalhada de como proceder:

Adicionado recursos a suas coleções

Após criada a coleção, você pode incluir os recursos da AI Gallery nela.

  1. Acessar a AI Gallery com sua conta.
  2. Se você ainda não tiver criado uma coleção, acesse sua área de usuário (parte superior direita da tela).
  3. Clique em “+ New item” e selecione a opção coleção.
    • Etapa 1: Preencha os campos do formulário. Aqui você pode fornecer informações detalhadas da coleção usando Markdown.
    • Etapa 2 (opcional): Forneça uma imagem. Vou usar uma do Stock Image.
    • Etapa 3: Defina a visibilidade da coleção. No caso do público, qualquer um poderá visualizar. Já no “UNLISTED”, somente quem tiver o link de compartilhamento poderá ver a coleção. Vou definir “UNLISTED”.
    • Forneça uma imagem. Vou usar uma do Stock Image.
  4. Agora, todo recurso que você visualizar na AI Gallery, você terá a opção de adicioná-lo na sua coleção via “+ Add to Collection”.gallery.azure.ai/…/Text-Classification-with-SQL-Server-3
  5. Por exemplo, vamos voltar para os exemplos que enumerei aqui e incluí-los na nossa coleção:
  6. Depois disso, você irá visualizar todos esses itens de forma direta no mesmo lugar.
  7. E para compartilhar, basta clicar no item de Email que está no início da página.

Considerações Finais

Este artigo teve como propósito apresentar brevemente a Galeria da Microsoft para Inteligência Artificial (AI Gallery). Como podemos ver, ela apresenta vários recursos que vão além do Machine Learning, apresentando soluções complexas na nuvem.

Nos próximos artigos vamos explorar voltar para o ML Studio para continuar explorando alguns aspectos de validação e avaliação de modelos de Machine Learning.

Até a próxima!

Anúncios

Deixe um comentário

Preencha os seus dados abaixo ou clique em um ícone para log in:

Logotipo do WordPress.com

Você está comentando utilizando sua conta WordPress.com. Sair /  Alterar )

Foto do Google+

Você está comentando utilizando sua conta Google+. Sair /  Alterar )

Imagem do Twitter

Você está comentando utilizando sua conta Twitter. Sair /  Alterar )

Foto do Facebook

Você está comentando utilizando sua conta Facebook. Sair /  Alterar )

w

Conectando a %s