Inteligencia Artificial y Machine Learning en Azure

Descubre los principales servicios de IA y ML de Azure con ejemplos prácticos.

Azure Machine Learning

Azure Machine Learning es una plataforma completa para el desarrollo y el despliegue de modelos de ML.

Configuración del entorno

from azureml.core import Workspace, Experiment, Environment

# Créer un espace de travail
ws = Workspace.create(
    name='mon-workspace',
    subscription_id='<subscription_id>',
    resource_group='mon-groupe'
)

# Créer un environnement
env = Environment.from_conda_specification(
    name='mon-env',
    file_path='environment.yml'
)

# Créer une expérience
experiment = Experiment(workspace=ws, name='mon-experiment')

Entrenamiento de un modelo

from azureml.core import ScriptRunConfig

# Configuration de l'entraînement
script_config = ScriptRunConfig(
    source_directory='./scripts',
    script='train.py',
    environment=env,
    compute_target='mon-cluster'
)

# Lancer l'entraînement
run = experiment.submit(script_config)

Azure Computer Vision

Servicio de análisis de imágenes y visión por computador.

Análisis de imágenes

from azure.cognitiveservices.vision.computervision import ComputerVisionClient
from msrest.authentication import CognitiveServicesCredentials

# Créer le client
client = ComputerVisionClient(
    endpoint="<endpoint>",
    credentials=CognitiveServicesCredentials("<key>")
)

# Analyser une image
with open("image.jpg", "rb") as image:
    result = client.analyze_image_in_stream(
        image,
        visual_features=["Categories", "Description", "Tags"]
    )

# Afficher les résultats
print(f"Description: {result.description.captions[0].text}")
print("Tags:", ", ".join([tag.name for tag in result.tags]))

Azure Text Analytics

Servicio de análisis de texto y procesamiento del lenguaje natural.

Análisis de sentimiento

from azure.ai.textanalytics import TextAnalyticsClient
from azure.core.credentials import AzureKeyCredential

# Créer le client
client = TextAnalyticsClient(
    endpoint="<endpoint>",
    credential=AzureKeyCredential("<key>")
)

# Analyser le sentiment
documents = ["J'adore ce produit !", "Ce service est terrible."]
result = client.analyze_sentiment(documents)

# Afficher les résultats
for doc in result:
    print(f"Sentiment: {doc.sentiment}")
    print(f"Confiance: {doc.confidence_scores.positive}")

Azure Speech Services

Servicio de reconocimiento de voz y síntesis de voz.

Síntesis de voz

from azure.cognitiveservices.speech import SpeechConfig, SpeechSynthesizer

# Configuration
speech_config = SpeechConfig(
    subscription="<key>",
    region="<region>"
)
speech_config.speech_synthesis_voice_name = "fr-FR-HenriNeural"

# Créer le synthétiseur
synthesizer = SpeechSynthesizer(speech_config=speech_config)

# Synthétiser la parole
result = synthesizer.speak_text_async("Bonjour, je suis un assistant virtuel.").get()

# Vérifier le résultat
if result.reason == ResultReason.SynthesizingAudioCompleted:
    print("Synthèse vocale réussie")

Azure Personalizer

Servicio de recomendaciones personalizadas.

Configuración de las recomendaciones

from azure.cognitiveservices.personalizer import PersonalizerClient
from azure.cognitiveservices.personalizer.models import RankRequest

# Créer le client
client = PersonalizerClient(
    endpoint="<endpoint>",
    credential=AzureKeyCredential("<key>")
)

# Préparer la requête
rank_request = RankRequest(
    actions=[
        {"id": "action1", "features": [{"category": "type", "value": "film"}]},
        {"id": "action2", "features": [{"category": "type", "value": "série"}]}
    ],
    context_features=[
        {"category": "user", "value": "jeune"},
        {"category": "heure", "value": "soir"}
    ]
)

# Obtenir une recommandation
rank_response = client.rank(rank_request)
print(f"Action recommandée: {rank_response.reward_action_id}")

Buenas prácticas

1. Gestión de costes

   • Utilizar cuotas de solicitudes
   • Supervisar el uso
   • Optimizar los modelos

2. Rendimiento

   • Almacenar en caché los resultados
   • Utilizar el procesamiento por lotes
   • Optimizar las solicitudes

3. Seguridad

   • Gestionar las claves de API
   • Implementar la autenticación
   • Proteger los datos

4. Monitorización

   • Seguir las métricas
   • Configurar alertas
   • Analizar los logs

Conclusión

Puntos clave que recordar:

• Servicios de ML completos
• APIs fáciles de usar
• Buena documentación
• Integración con Azure

Recomendaciones:

• Empezar por los servicios básicos
• Probar con datos sencillos
• Optimizar los costes
• Seguir las buenas prácticas
• Formarse en Microsoft Learn