Presentazione al meetup Azure Torino del 13 dicembre 2018 sullo strumento Azure Machine Learning Studio. Comprende una breve intro al machine learning, concetti di base di Azure Machine Learning Studio e del suo utilizzo, e la sua integrazione con altri servizi di Azure come Event Hub, Stream Analytics, Blob Storage e Power BI, in un caso di uso di analisi di dati in tempo reale nell'ambito della manutenzione predittiva. I dati di telemetria di sensori in streaming sono stati simulati a partire di un codice in-house sviluppato in Python.
3. Azure Services
general networking compute
migrate
web
devops
storage
databases
analytics
AI +
machine learning
IOT
integration
identity management
security
4. Azure Services: Integrazione
general networking compute
migrate
web
devops
storage
databases
analytics
AI +
machine learning
IOT
integration
identity management
security
5. Machine Learning: Cos’è?
Intelligenza Artificiale
Machine Learning
Deep Learning
Machine Learning
Deep Learning
Intelligenza Artificiale
Strumenti
Obiettivo
Machine Learning è la tecnica che permette ai
computer di apprendere a partire dai dati.
Apprendere a fare cosa?
- Determinare un valore numerico
- Classificare un obietto tra 2 o più classi
- Aggruppare dati simili
- Raccomandare un’azione
- Predire un dato futuro
- Rilevare un evento non normale
7. Algoritmo di classificazione multi-class: riconoscimento di immagini
Esempio
0
1
2
3
4
5
6
7
8
9
Dati input ouput
http://yann.lecun.com/exdb/mnist
8. Algoritmo di classificazione multi-class: riconoscimento di immagini
Esempio
0
1
2
3
4
5
6
7
8
9
MODELLO ML
Training dataset Test dataset
1http://yann.lecun.com/exdb/mnist
9. Preparazione dei dati
- Join
- Esplorazione
- Pulizia
- Missing data
- Normalizzazione dati
- Feature engineering
Modello + training
- Scelta dell’algoritmo
- Aggiustamento parametri
- Valutazione
Distribuzione + consumo + monitoraggio
- Web service
- Consumo (Web App, scripts, Excel, ecc)
- Local (ONNX)
- Statistica di uso
Ingestione dati
Machine Learning: Un workflow iterativo
Predizione
10. Categorie su Azure AI Gallery:
- Previsione di vendita
- Ottimizzazione dei prezzi
- Offerte personalizzate
- Ottimizzazione delle
campagne di marketing
- Previsione domanda di
noleggio
- Manutenzione predittiva
- Analisi di sensori in
tempo reale
- Previsione consumo di
energia
- Previsione rischio di
credito
- Rilevamento e prevenzione
delle frodi online
- Previsione prezzo di azioni
- Predizione flusso di
pazienti
- Previsione durata degenza
- Previsione di malattie
- Diagnosi precoce
Anche: Educazione, entertainment, business, ecc…
Machine Learning: Applicazioni
18. • Telemetria: Variabili in gran numero, dati complesse, impossibile trovare un pattern senza Machine Learning
• Data-driven analisi -> 2 possibili scenari:
dati di guasti
• È molto difficile trovare dati per dimostrare o valutare la qualità di un modello di Machine Learning per la
manutenzione predittiva -> simulazione
• Caso di studio:
- dati simulati: 7 sensori (temperatura, velocità, pressione, ecc), in-house Pyhton code
- 120 macchine
- dati versus n. ciclo fino al fallimento
Caso di studio: Dati di telemetria di macchine
Alcune considerazioni:
disponibili modello supervisionato
non disponibili modello non supervisionato
22. Preparazione dei dati
Algoritmo di ML
Ingestione dei dati
Training data
Test data
Addestramento
del modello
Applicazione del
modello
Valutazione del
modello
Configurazione web service
29. Alias di funzione di Machine Learning
URL e API key del web service creato
dall’esperimento di Machine Learning
(contenuti nella cartella Excel 2010)
30. Input: Event Hub
Outputs: PowerBI & Blob
Funzione di Machine Learning (AzureML)
Outputs del modello
di Machine Learning
(predizione del TTF)
31. Probabilità di guasto versus ciclo (tempo) Streaming dati di 3 sensori Valore attuale di
ogni sensore
N. macchina Probabilità di guasto