Abbildung 1: Der Lifecycle von Machine Learning Modellen - von den Daten zum bereitgestellten Modell. Die gesammelten Daten werden eingelesen, auf ihre Richtigkeit überprüft und je nachdem verarbeitet bevor sie für das Training von Modellen genutzt werden. In einer explorativen Phase werden verschiedene Modelle erstellt und auf ihre Eignung geprüft. Das beste wird für die Bereitstellung übernommen. Das als Webservice zur Verfügung gestellte Modell wird fortwährend überwacht und neue Daten werden zur Laufzeit gesammelt.
Abbildung 2: Die verschiedenen Komponenten von Azure ML sind einerseits über das Webportal aber auch über die API verfügbar.
Hast du auch einen spannenden Use Case? Let's talk!
