Azure Machine Learning es un servicio en la nube de Microsoft diseñado para simplificar y acelerar el desarrollo, entrenamiento y despliegue de modelos de machine learning (ML) a gran escala. Ofrece un entorno colaborativo basado en la nube para científicos de datos, ingenieros de ML y desarrolladores, permitiéndoles crear y gestionar modelos con una infraestructura escalable y segura.
Una de las funcionalidades clave de Azure Machine Learning es la opción de desplegar recursos de Compute. Estos recursos proporcionan el poder de procesamiento necesario para realizar tareas intensivas de ML, como el entrenamiento de modelos, pruebas, inferencia y procesamiento de datos. Compute te permite ejecutar tus experimentos de forma eficiente, escalando el uso de recursos según la carga de trabajo.
Concretamente, la función de Compute en Azure ML nos ayuda a:
- Acelerar el desarrollo y entrenamiento de modelos sin la necesidad de administrar infraestructura física.
- Escalar automáticamente los recursos según la demanda, permitiendo optimizar los costos.
- Proporcionar entornos interactivos como JupyterLab, VS Code o RStudio para desarrollo, pruebas y experimentación.
- Ejecutar trabajos en paralelo, lo que mejora significativamente la velocidad y eficiencia del entrenamiento de modelos.
En este artículo, te mostraré cómo desplegar una instancia de Compute en Azure Machine Learning paso a paso, para que puedas aprovechar todo el potencial de este servicio en tus proyectos de inteligencia artificial.
1. Pre-requisitos
Antes de desplegar un recurso de Compute en Azure Machine Learning, asegúrate de cumplir con los siguientes requisitos:
- Cuenta de Azure: Debes tener una suscripción activa en Azure. Puedes crear una cuenta gratuita en azure.com si no tienes una.
- Workspace de Azure Machine Learning: Necesitas un workspace de AML creado en tu suscripción. Si aún no tienes uno, sigue estos pasos:
- En el portal de Azure, busca «Machine Learning» en la barra de búsqueda.
- Haz clic en Machine Learning, luego selecciona + New workspace y completa los detalles necesarios.
- Azure CLI o acceso al portal de Azure: Opcionalmente, puedes usar la interfaz gráfica de usuario (GUI) en el portal de Azure o usar la CLI para realizar la configuración.
2. Crear un Compute Instance (Instancia de Cómputo)
Método 1: Usando el portal de Azure
-
Accede al Workspace de Azure Machine Learning:
- Ve al portal de Azure, navega a tu workspace de Machine Learning.
- En el panel izquierdo, selecciona Compute.
-
Selecciona el tipo de Compute:
- Aparecerán cuatro pestañas en la parte superior: Compute instances, Compute clusters, Inference clusters, y Attached compute.
- Selecciona la pestaña Compute instances si necesitas una máquina para desarrollo y pruebas interactivas.
Crear una Compute Instance:
- Haz clic en + New.
- Rellena los detalles:
- Nombre: Elige un nombre único para tu recurso.
- Región: La misma región que tu workspace de AML.
- Virtual machine type: Selecciona el tipo de máquina virtual que deseas usar, como Standard_DS3_v2 o NC6 para GPU.
- Tamaño de la VM: Selecciona el tamaño de la máquina según tus necesidades. Si necesitas GPUs, asegúrate de elegir un tamaño compatible con GPU.
Si deseas configurar un apagado automático, habilita la opción Auto Shut Down y establece la hora a la que quieres que el recurso se apague automáticamente.
En la sección Security, puedes asignar el recurso de Compute a un usuario específico, configurar el acceso mediante SSH, ajustar las opciones de red y habilitar la autenticación SSO (Single Sign-On).
No profundizaré mucho en las secciones Applications y Tags, ya que su uso depende del caso específico. Sin embargo, un ejemplo en Applications podría ser la instalación de herramientas adicionales como JupyterLab, VS Code o RStudio. Estas aplicaciones permiten un entorno interactivo de desarrollo para ejecutar y probar tus modelos directamente en la instancia de Compute. Esta sección es útil para personalizar el entorno según las necesidades de tu proyecto.
Configura el entorno de la VM:
- En las opciones avanzadas, puedes seleccionar el sistema operativo y la imagen predefinida. Azure Machine Learning ofrece imágenes que incluyen herramientas como Jupyter, VSCode y RStudio.
Crea el recurso:
Revisa la configuración y haz clic en Create. Este proceso tardará algunos minutos en completarse. Una vez que esté listo, tu compute instance estará disponible para su uso.
Método 2: Usando Azure CLI
Puedes crear un recurso de Compute utilizando el siguiente comando en la CLI de Azure:
# Conéctate a tu suscripción de Azure
az login
# Selecciona la suscripción correcta
az account set --subscription "tu-subscription-id"
# Crea una compute instance
az ml compute create --name my-compute-instance --size Standard_DS3_v2 --workspace-name my-workspace --resource-group my-resource-group --type ComputeInstance
- my-compute-instance: Nombre de la instancia de cómputo.
- Standard_DS3_v2: Tipo de máquina virtual. Puedes cambiar este valor según tus necesidades.
3. Verificar el Compute
Después de crear el recurso, puedes verificar su estado y administrarlo:
- Desde el portal de Azure, accede nuevamente a Compute dentro de tu workspace.
- Aquí verás la lista de instancias de cómputo que hayas creado. Debería aparecer el recurso recién creado con el estado Running (Ejecutándose).
4. Usar el Compute en un Experimento
Abrir Jupyter/VSCode:
- Dentro del portal, puedes abrir directamente Jupyter o VSCode haciendo clic en el nombre de la compute instance y seleccionando Jupyter o VS Code.
Ejecutar Scripts de Machine Learning:
- Con la compute instance configurada, puedes usarla para ejecutar notebooks o scripts de ML directamente desde el entorno que hayas seleccionado.
:wq!