Облачный сервис Azure Machine Learning в его текущем виде Microsoft презентовала летом 2014 года – и с тех пор он не перестает быть у всех на слуху. Предлагаем разобраться, в чем «фишка» сервиса, кому и зачем он пригодится больше всего.
Что такое Azure?
Сама Microsoft описывает Azure как облако для современного бизнеса. Продукт выпустили под лозунгом: «Работайте быстрее, экономьте деньги, интегрируйте локальные приложения и данные».
«Azure — это единственная крупная облачная платформа, которая по оценкам Gartner является лидером отрасли по предоставлению как решений IaaS, так и PaaS. Эта полнофункциональная комбинация управляемых и неуправляемых служб позволяет создавать, развертывать приложения и управлять ими любым способом для достижения невероятной производительности», — гласит сайт компании.
Начало работы
Для начала работы с Azure, собственный раздел сервиса на сайте компании-разработчика предложит вам войти при помощи обычной учетной записи Microsoft (ну а если ее вдруг не окажется – завести новую) – и… сразу же можно начинать пользоваться тридцатидневным триалом, после чего, конечно же, придется продлевать подписку – однако это уже совсем другая история.
Далее смотрим короткое обучающее видео и оказываемся в собственном (мелочь, а приятно!) рабочем пространстве, о чем компания заботливо известит по электронной почте. Дальше краткий мануал предлагает настроить рабочее пространство – что, кстати, для целей личного эксперимента делать совсем не обязательно – и наконец-то можно начать «творить»!
Интерфейс у сервиса, кстати говоря, радует глаз и приятно интуитивен; правда, пока он существует только на английском языке. Нажимаем на New внизу экрана – и всплывает окно, где можно либо загрузить набор данных, либо поэкспериментировать над имеющимися. Причем, эксперимент может быть как собственный пустой (Blank Experiment), так и один из уже имеющихся – а еще можно, по доброй традиции Microsoft, создать, например, рекомендательную систему из шаблона. Как мы узнаем из того же мануала (кстати, о его переводе в компании позаботились), создать эксперимент в интерфейсе Azure ML Studio можно за пять шагов:
- Получение данных;
- Предварительная подготовка данных;
- Определение свойств;
- Выбор и применение алгоритма обучения к вновь созданной модели;
- Прогнозирование по новым данным.
Если немного углубиться в тему, выясняется, что алгоритм можно писать, например, на R, Java и вообще любом языке, который поддерживается Visual Studio (причем поддержкой первого разработчики особенно гордятся), а то и вовсе воспользоваться десятками любезно предоставленных Microsoft Research кодов. С базами данных пользователь будет работать на привычном ему SQL (и это прекрасно), а сам интерфейс Studio работает с любого браузера и устройства.
С инструментами Microsoft, признаем честно, работать почти всегда приятно – но по прошествии пробного периода в бочку меда начинает потихоньку капать деготь – хитрюги из Microsoft не оставляют нам другого выбора, кроме как оформить ой-ой как платную подписку. Но стоит ли это того?
Azure ML: Кому и зачем?
…И если стоит, то, действительно – кому и зачем?
Вообще говоря, разработчики нигде не делают громких заявлений насчет целевой аудитории – скорее наоборот, заявляют о широких возможностях сервиса и одновременно сулят легкость достижения результатов. Тем не менее, тот факт, что Azure ML ориентирован на «классику» Data Science говорит сам за себя: без знаний в области статистики и базовых алгоритмов машинного обучения разобраться с сервисом будет сложновато, а получить адекватный результат – и вовсе невозможно. Плюс ценовая политика: с пробным периодом все понятно, но стоимость подписки указывает на корпоративное использование (маленькими компаниями в том числе, но в этом случае – лишь избранными специалистами).
Наконец, упор на собственные алгоритмы уже без обиняков говорит о том, что всю мощь инструмента способен оценить только грамотный Data Scientist/Data Engineer, и в меньшей степени бизнес-аналитик – но никак не маркетолог или топ-менеджер (автоматический анализ данных и визуальное представление результатов в Azure развито не так хорошо, как хотелось бы).
Резюме
И все-таки, широкие возможности Azure, безусловно, привлекают внимание; стоит ли он своих денег или нет, решать руководителям, но специалисты его оценят. Да, сервис не универсален, и убить с десяток зайцев, внедрив его как единственный инструмент прогнозной аналитики, вряд ли выйдет – особенно, если последней в компании занимаются скорее маркетологи (что само по себе уже вызывает ряд вопросов об эффективности и целесообразности такого анализа). Но если компания настроена серьезно, то Azure ML с его отличной интегрированностью с алгоритмами, методами и, главное, инструментарием специалистов по работе с данными заслуживает того, чтобы по крайней мере внимательно к нему присмотреться.
Автор: Елизавета Филиппова