Microsoft Cortana Intelligence Suite

Objectif du chapitre

Faire parler les données pour extraire des informations utiles nécessite de les traiter par un ensemble de processus. De façon générale, ces processus commencent par la récolte des données à partir de diverses ressources comme les systèmes d’information, les bases de données client, l’loT (Internet of Things ou Internet des objets), les smartphones, etc. Une fois récupérées et stockées, des transformations sont effectuées sur ces données lors de l’étape de préparation des données vue dans le chapitre précédent. Les données ainsi préparées vont servir aux analyses et à la construction de modèles prédictifs. Ces modèles, testés et publiés, vont être interrogés pour extraire des résultats prédictifs utiles. Ces résultats seront consommés par des robots, tels que les chatbots par exemple, ou par des outils de Business Intelligence pour construire de jolis tableaux de bord. À leur tour, ces tableaux de bord vont servir comme base de réflexion pour des prises de décision intelligentes. Voilà dans les grandes lignes ce que permet de réaliser Cortana Intelligence Suite.

Cortana Intelligence Suite est un ensemble de composants et de services hébergés sur...

Présentation du portail Microsoft Azure

Microsoft Azure, anciennement appelé Windows Azure, est une plateforme cloud composée d’un ensemble de services qui, de façon générale, permettent de développer, déployer et gérer des solutions informatiques. Sans être exhaustive, cette plateforme permet de créer et d’exploiter des machines et des réseaux virtuels, des applications classiques telles que les sites web, des clusters Big Data Hadoop, des ressources de stockage pour des masses de données volumineuses, des moteurs de recherche d’entreprise, des services de transformation et de visualisation de données, des applications basées sur l’intelligence artificielle telles que les modèles prédictifs, etc.

Au moment de la rédaction de ce livre, Microsoft dispose de 36 Data Centers opérationnels répartis sur les cinq continents, et annonce six autres Data Centers en cours de création dont deux en France.

L’espace de travail Azure Machine Learning

L’environnement Azure ML Studio (Azure Machine Learning Studio) est l’outil principal du Data Scientist dans l’environnement Microsoft Azure. Cet environnement est inclus dans un espace de travail Azure Machine Learning. Chaque espace de travail Azure Machine Learning contient, entre autres, un environnement Azure ML Studio. Cette section montre toutes les étapes de création de cet espace de travail et introduit les concepts de base d’utilisation d’Azure ML Studio. Ces concepts de base vont vous permettre de vous familiariser avec cet environnement pour bien démarrer les prochains chapitres.

1. Création de l’espace de travail Machine Learning

Pour créer l’espace de travail Machine Learning, nous allons commencer par créer un groupe de ressources. Ce groupe de ressources servira de conteneur logique à tous les composants que nous allons créer lors des chapitres suivants.

Pour créer un groupe de ressources, veuillez exécuter les étapes suivantes :

 Connectez-vous au portail Azure créé lors de la section précédente.

 Dans le volet de gauche, cliquez sur Resource groups. Vous devriez voir le même résultat que la figure ci-après.

Figure 2-3 : la page des groupes de ressources

La liste des groupes de ressources est vide, car pour l’instant, aucun groupe de ressources n’est encore créé, ce qui est indiqué par le message No resource groups to display au centre de la page.

 Cliquez sur le bouton +Add situé en haut du centre de la page. Vous devriez voir le même résultat que la figure ci-après.

Figure 2-4 : formulaire de création d’un groupe de ressources

Pour finaliser la création du groupe de ressources, renseignez les trois informations nécessaires comme suit :

1.

Le champ Resource group name : choisissez le nom que vous souhaitez. Ce nom doit être unique et en relation avec la solution déployée. Ici, nous souhaitons créer un groupe de ressources pour regrouper tous les composants que nous allons créer tout au long de ce livre pour apprendre à implémenter des solutions Machine Learning dans Azure. Donc, nous pouvons par exemple indiquer le nom de AzureMLRG pour désigner Azure Machine...

Les composants fréquemment utilisés

Il existe sur la plateforme Microsoft Azure toute une panoplie de composants et de services autres que l’espace de travail et l’environnement Azure ML. La suite de ce chapitre va aborder les services qui sont couramment utilisés conjointement avec une solution Machine Learning.

Conclusion

Ce chapitre a permis d’introduire la solution Cortana Intelligence Suite. Il a commencé par montrer comment créer un tenant Microsoft Azure gratuit, puis le reste du chapitre est divisé en deux parties. La première partie a montré comment créer l’espace de travail Azure Machine Learning et comment accéder à l’environnement Azure ML Studio. Puis, après une brève introduction à Azure ML, un Dataset a été chargé et certains modules ont été utilisés pour le nettoyage et la préparation de ce Dataset. La deuxième partie a introduit certaines fonctionnalités de Cortana Intelligence Suite. Ainsi, un programme en C# a été développé pour envoyer des messages à un Event Hub, puis ces messages ont été capturés par un composant de type Azure Stream Analytics et déposés dans un composant de stockage de type Storage Account. Un serveur et une base de données SQL ont également été créés. Cette deuxième partie s’est terminée par une brève introduction du Bot Framework et des Cognitive Services.

Comme vu au début de ce chapitre, l’objectif de ce livre n’est pas de détailler toutes les fonctionnalités et tous les paramétrages possibles sur la plateforme...