Machine Learning, frontière de l’infini, vers laquelle voyage votre recherche dans ses champs d’application. Votre mission : explorer de nouveaux modèles, découvrir les relations entre les données au mépris de se perdre et avancer vers l’inconnu. 

Azure Machine Learning Studio est la réponse qu’apporte Microsoft au Machine Learning sur sa plateforme cloud Azure. Microsoft décline ainsi une solution complète agissant sur toute la chaine de traitement comprenant :

• Le prétraitement des données à analyser (data munging)
• La création de modèles d’analyse
• L’évaluation de la pertinence des modèles de machine learning
• L’exposition des services d’analyse aux applications métier

Analyse par Angelo Pacifico – Directeur Technique chez Agile Partner

Azure machine Learning studio en bref

L’idée d’azure machine learning studio est d’offrir aux développeurs un laboratoire permettant à l’aide d’expériences, de tester des modèles de prédiction. L’outillage met à disposition une vaste gamme d’algorithmes de machine Learning et s’appuie sur une palette de composants que l’on dépose sur la surface de travail, que l’on connecte et que l’on paramètre. C’est le même paradigme de langage graphique que connait le développeur avec des outils comme SSIS avec SQL server. Cette formule a déjà fait ses preuves et Microsoft la réutilise ici avec Machine Learning studio.

Les algorithmes d’analyse sont optimisés pour tirer parti de la puissance du cloud d’Azure et traiter les volumes important de données à analyser. Les data scientists se retrouvent dans un univers connu car Microsoft a intégré les languages R ainsi que Python dans la plateforme. Il sera ainsi possible de développer des modules dans l’un de ces deux langages et de réutiliser des librairies existantes. Les librairies les plus utilisées sur le marché de calcul scientifique, de représentation graphiques, font déjà parties des ressources mises à disposition du développeur et du data scientist. La plateforme Jupyter avec les NoteBook permet aux data scientists de communiquer leurs résultats ou d’exposer les expériences dans ce format qui est un standard dans la communauté. Plusieurs algorithmes de prédiction peuvent être testés en parallèle et une analyse comparative entre les modèles peut être rapidement effectuée. Des mécanismes permettent de faire varier les paramètres d’ajustement des modèles et simplifient le travail qui permet de trouver l’optimum des paramètres. A la puissance de traitement des algorithmes, l’outillage graphique permet de façon empirique de rapidement comprendre comment les variables sont liées entre elles et d’établir la pertinence des variables dans le modèle. Une fois que le modèle a été testé, il peut être exposé rapidement aux applications métier nécessitant de service de prédiction à l’aide de service web et sans aucun code à écrire.

On vous le dit ! Place à l’expérimentation et Microsoft gère la machinerie pour vous

Si vous l’avez rêvé, Microsoft l’a fait. Le cloud d’Azure met à disposition sa capacité de stockage pour recevoir le volume de données servant à l’apprentissage des modèles. Azure fournit aussi grâce à l’élasticité toute la capacité requise au traitement des paramètres des modèles. Le data scientist se concentre alors sur la conception des modèles et l’évaluation de la pertinence des prédictions. Le géant de Redmond se charge de gérer les problématiques de volume et de performance et met particulièrement l’accent sur la productivité de sa plateforme en la rendant facilement accessible grâce à un langage graphique. La puissance de la plateforme n’enlève pas la compétence du data scientist qui doit comprendre les modèles ainsi que la pertinence des modèles testés.

La machinerie d’azure machine learning studio permet de repousser les frontières en fournissant le vaisseau et tout son armement pour adresser efficacement les problèmes d’analyse prédictive.

Bien entendu, si vous aussi avez fait l’expérience d’Azure Machine learning studio, n’hésitez pas à venir échanger avec nous sur notre blog !