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.

1. Una serata con Azure Machine Learning Studio
Ariel Cedola
acedola@welol.it

2. Azure Services: Azure Machine Learning Studio

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

6. Algoritmi di Machine Learning
Regressione Classificazione Clustering Anomaly detection Time-series forecasting

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

14. Cos’è Machine Learning Studio?
Quando utilizzarlo?
https://studio.azureml.net

15. Panoramica delle funzionalità
https://docs.microsoft.com/en-us/azure/machine-learning/studio/studio-overview-diagram

16. Algoritmi
https://docs.microsoft.com/en-us/azure/machine-learning/studio/algorithm-cheat-sheet

17. Demo
Azure Machine Learning Studio

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

19. Applicazione alla Manutenzione predittiva
Esempio: Simulazione dati di telemetria

20. Etichetta: 2 classi7 features
Dati
N. macchina
Ciclo di lavoro
guasto

21. ID macchina
cycle
Dati
Time-to-failure (TTF)
> N cicli -> long
<= N cicli -> short
Training
ID 1-100
Test
ID 101-120
x = guasto
N nell’intervallo 10-30

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

23. Preparazione dei dati
Ingestione dei dati
Applicazione del
modello addestrato
Predizione
Pubblicazione web service

24. Fogli Excel creati automaticamente,
con web service inserito
Dashboard del web service

25. PredizioniDati input
Consumo del modello
pubblicato tramite foglio Excel
Web service

26. Predizioni del modello
Esempio 3 macchine

27. Integrazione con altri servizi di Azure
Consumo del modello di dati in streaming

28. Shared access policies
del Event Hub creato
Simulatore streaming di dati

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

32. 27 Aprile 2019 - Torino
Organizzato da

33. Dott. Ariel Cedola
acedola@welol.it
Data Scientist
Welol Next s.r.l. & Istituto Superiore Mario Boella
cedola@ismb.it
Contatto