Azure Machine Learning

Transkript

1 Azure Machine Learning Alexander Wechsler Wechsler Consulting GmbH & Co. KG

2 Was ist Machine Learning? Technologie zur Vorhersage Ermittlung von Wahrscheinlichkeiten mit Hilfe von Mustern in großen Datenmengen

3 Machine Learning The goal of machine learning is to build computer systems that can adapt and learn from their experience. Tom Dietterich Professor, Universität von Oregon

4 Wann kann Machine Learning helfen? Daten korrellieren / besitzen Muster Große Datenmenge in guter Qualität KPIs vorhanden in bisherigen Analysesystemen Ja Daten sind chaotisch Keine oder geringe Datenhistorie Viele verscheidene Geschäftsregeln Keine KPIs ermittelbar Nein

5 Arten der Analyse Traditional BI Deployed ML

6 Mit ML lösbare Probleme Klassifikation / Gruppierung Zuordnung von Bereichen (Restaurant: Chinesich Französich Indisch Italienisch Japanisch) Regression Vorhersage von Werten für einen Einzelfall (Aktien, Währungen, Wetter) Ranking Sortieren von Dingen nach Kriterien (Web Suchergebnisse). Reduktion der Dimensionalität Transformation von mehr-dimensionalen Problemen in einfachere Modelle (Bearbeitung digitaler Inhalte wie Bilder und Audio).

7 Was ist Machine Learning nicht? Exakte Wissenschaft! Ergebnisse müssen ständig verbessert werden Fehlerfrei Mit Fehlern leben lernen Statisch Ständige Optimierung ist notwendig Gute und konstante Datenqualität ist essentiell Große Mengen an Trainingsdaten schlagen bessere Algorithmen

8 DATEN UND MODELLE

9 Daten training data independent variables / predictors / attributes / features / X-values the thing to classify (predict) / dependent variable / Y Source: James MacCaffrey, Microsoft Research

10 input hidden output 49, High Republican M -1.0 Model aka Neural Network Source: James MacCaffrey, Microsoft Research

11 Basiskonzepte Historic Data New Data Learning Model Prediction Parameters Decision Making

12 Machine Learning Arbeitszyklus

13 o Feature Engineering = Schwarze Magie o Passende Datenfelder und passende Faktoren finden o Wie? o Ausprobieren! o Kombination o Erfahrung des Menschen + Optimierungspotenzial der Maschine

14 Azure ML Leichtere Datenanalyse! Problematik ohne Azure ML o o o o Zugriff auf gute Algorythmen fehlt Kosten sind hoch Akuelle Werkzeugkette ist lang und unübersichtlich Umsetzung gewonnener Modelle in Produktion ist sehr aufwendig

15 VORSTELLUNG AZURE ML

16 Microsoft Azure Machine Learning Funktionalität Reduce complexity to broaden participation Browserorientiert, keine SW Installation Azure Workspaces können geshared werden End2end Data Science Workflow Visuell keine Programmierung Sehr gute ML Algorythmen Erweiterbar durch R-Skripts

17 Microsoft Azure Machine Learning Funktionalität Schnelles Ausprobieren möglich bessere Modelle Verwaltung und Wiederverwendung von Modellen Schnelles Deployment von Modellen in Produktion - als Auzre Web Service

18 DEMO: AZURE ML

19 Vom Problem zur wertvollen Lösung Data Microsoft Azure Machine Learning API Cloud HDInsight SQL Server VM SQL DB Blobs & tables Local Files ML Studio Workspace Microsoft Azure portal Publish API in minutes Local Desktop files Excel spreadsheet Other data files on PC Storage space Web Devices Applications Dashboards Business problem Modeling Deployment Business value

20 REALE ANWENDUNGS- BEISPIELE

21 Preventing Network Intrusion Problem: Early detection of suspicious activity on the network servers & eliminate the threat. Methodology: File system to store massive security data. Fully automated workflow to drive end-toend data receiving and transformation process. Analysis and visualizations of Windows Events to identify pre-defined threat scenarios. Move from descriptive analytics to a mature predictive archetype.

22 Customer Targeting Models Developed for Surface and Windows Phone Windows Phone Provided list of cookies that are more likely to land on a Windows Phone page Monthly scoring during 3 months Surface Provided list of cookies that are more likely to buy a surface Monthly scoring since April 20, 2013 Variable Importance Total Days Windows Bing KW: Microsoft Cat: Home Page MAC OS KW: Microsoft Store KW: Surface Pro KW: Surface Cat: Surface Store 0% 5% 10% 15% 20% 25% 30% 35%

23 Results Better Targeting increased Revenue Better customer targeting Targeting coverage improved by 5% due to predictive models and other measures! Increased revenue from display Ads Targeted Ads generated up to 19% of revenue Revenue per 1000 impressions grew by over 8X Revenue per click grew by 6X!

24 Aber Vorsicht! Isch die Cloud! Große Business-Datenmengen in der Cloud Will man / kann man das? Workspaces leicht zu sharen Verwaltung erforderlich Beispiel: Mitarbeiter wechselt zur Konkurrenz Deployment von trainierten Modellen derzeit nur in Azure möglich Hybride Ansätze im Moment noch nicht unterstützt

25 Azure Machine Learning Q & A awechsler@wechsler-consulting.de