Comment envoyer un modèle déjà entrainé dans Azure ML et l’utiliser via Web Service

Le contexte de cet article est le suivant :

• Vous voulez utiliser un modèle entrainé (de type classification, régression…) via un web service d’Azure ML
• Vous avez des données sensibles TOP SECRET et vous ne voulez pas les envoyer dans le cloud Azure

Il existe alors une solution pour vous si vous vous s’y connaissez en R, voici la procédure :

1. Entrainer votre modèle dans un script R en local à partir de vos jeux de données. Par exemple, voici comment créer un modèle entrainé de classification à partir du dataset iris :

library(mda)
data(iris)

fit <- mda(Species~., data=iris)

Le modèle est alors stocké dans l’objet R appelé “fit”

2. Enregistrer le modèle dans un fichier “.rda” avec la commande R suivante :

   save(fit, file = "C:/model.rda")

3. Zipper le fichier model.rda en model.zip et uploader le zip dans un dataset dans Azure ML :
• 
4. Créer une nouvelle expérimentation Azure ML avec la configuration suivante :
• Premier composant contenant une simple ligne de test avec les bonnes features et formats en entrée du modèle. Pour simplifier les choses, j’ai utilisé un script R qui envoie dans le data frame de sortie la première ligne du dataset IRIS :

data.set = iris[1,1:4]

maml.mapOutputPort("data.set");

Ce composant servira juste à la validation de l’expérimentation.

• Le dataset “model.zip” que nous venons de créer
• Et le plus important, un composant de script R qui fera l’équivalant d’un SCORE, avec en entrée Dataset1 le composant contenant la ligne de features et en entrée Script Bundle (zip) le dataset model.zip. Ce composant va charger le modèle, l’utiliser et envoyer la prédiction dans le dataset de sortie via le code R suivant :

dataIN <- maml.mapInputPort(1) # class: data.frame

load("src/model.rda");
library(mda)


predictions <- predict(fit, dataIN)


data.set <- data.frame(dataIN, predictions)
maml.mapOutputPort("data.set");
5. Faire ensuite un Run de l’expérimentation pour s’assurer que tout fonctionne correctement, et ensuite passer en mode web service en mettant l’input et l’output web service en entrée et sortie du script R de SCORE :



Et enfin, déployer et utiliser le Web Service !

Nous arrivons donc avec ce procédé à utiliser un model en mode web service d’Azure ML sans l’entrainer dans Azure ML.

Pour plus d’infos, des exemples de scripts R sur la classification du dataset Iris : http://machinelearningmastery.com/non-linear-classification-in-r/