Inteligência Artificial e Machine Learning no Azure

Descubra os principais serviços de IA e ML do Azure com exemplos práticos.

Azure Machine Learning

O Azure Machine Learning é uma plataforma completa para o desenvolvimento e a implantação de modelos de ML.

Configuração do ambiente

from azureml.core import Workspace, Experiment, Environment

# Criar um workspace
ws = Workspace.create(
    name='mon-workspace',
    subscription_id='<subscription_id>',
    resource_group='mon-groupe'
)

# Criar um ambiente
env = Environment.from_conda_specification(
    name='mon-env',
    file_path='environment.yml'
)

# Criar um experimento
experiment = Experiment(workspace=ws, name='mon-experiment')

Treinamento de um modelo

from azureml.core import ScriptRunConfig

# Configuração do treinamento
script_config = ScriptRunConfig(
    source_directory='./scripts',
    script='train.py',
    environment=env,
    compute_target='mon-cluster'
)

# Iniciar o treinamento
run = experiment.submit(script_config)

Azure Computer Vision

Serviço de análise de imagens e visão computacional.

Análise de imagem

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

# Criar o cliente
client = ComputerVisionClient(
    endpoint="<endpoint>",
    credentials=CognitiveServicesCredentials("<key>")
)

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

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

Azure Text Analytics

Serviço de análise de texto e processamento de linguagem natural.

Análise de sentimento

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

# Criar o cliente
client = TextAnalyticsClient(
    endpoint="<endpoint>",
    credential=AzureKeyCredential("<key>")
)

# Analisar o sentimento
documents = ["J'adore ce produit !", "Ce service est terrible."]
result = client.analyze_sentiment(documents)

# Exibir os resultados
for doc in result:
    print(f"Sentiment: {doc.sentiment}")
    print(f"Confiance: {doc.confidence_scores.positive}")

Azure Speech Services

Serviço de reconhecimento de fala e síntese de voz.

Síntese de voz

from azure.cognitiveservices.speech import SpeechConfig, SpeechSynthesizer

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

# Criar o sintetizador
synthesizer = SpeechSynthesizer(speech_config=speech_config)

# Sintetizar a fala
result = synthesizer.speak_text_async("Bonjour, je suis un assistant virtuel.").get()

# Verificar o resultado
if result.reason == ResultReason.SynthesizingAudioCompleted:
    print("Synthèse vocale réussie")

Azure Personalizer

Serviço de recomendações personalizadas.

Configuração das recomendações

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

# Criar o cliente
client = PersonalizerClient(
    endpoint="<endpoint>",
    credential=AzureKeyCredential("<key>")
)

# Preparar a requisição
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"}
    ]
)

# Obter uma recomendação
rank_response = client.rank(rank_request)
print(f"Action recommandée: {rank_response.reward_action_id}")

Boas Práticas

1. Gerenciamento de Custos

   • Utilizar cotas de requisições
   • Monitorar o uso
   • Otimizar os modelos

2. Desempenho

   • Armazenar os resultados em cache
   • Utilizar o processamento em lote
   • Otimizar as requisições

3. Segurança

   • Gerenciar as chaves de API
   • Implementar a autenticação
   • Proteger os dados

4. Monitoramento

   • Acompanhar as métricas
   • Configurar alertas
   • Analisar os logs

Conclusão

Pontos-chave a reter:

• Serviços de ML completos
• APIs fáceis de usar
• Boa documentação
• Integração com o Azure

Recomendações:

• Começar pelos serviços básicos
• Testar com dados simples
• Otimizar os custos
• Seguir as boas práticas
• Fazer cursos no Microsoft Learn