MCNEXT devient Infeeny en 2017 !
Retrouvez ici tous les Posts (+ de 600) des consultants et experts du groupe Infeeny (330 collaborateurs, pure player Microsoft).
Vous voulez en savoir plus sur Infeeny ou vous souhaitez nous rejoindre ?
Consultez notre site infeeny.com.
Vous pouvez aussi nous suivre sur :
– Twitter : @Infeeny_fr – https://twitter.com/Infeeny_fr
– LinkedIn : https://www.linkedin.com/company/infeeny
– et vous abonner à notre chaîne YouTube Infeeny !
De nombreux concepteur de rapports Power BI se sont souvent posé la question :
Comment industrialiser mon rapport et partager mes données avec mes collègues de bureau de manière automatisée.
Mon model est bon, la direction m’a validé les chiffres il ne reste plus qu’a le mettre en production malheureusement il est disponible que dans mon Power BI que j’ai créé, mes collègues ne peuvent pas utiliser ma base pour venir créer leurs rapports ni même agrémenté mes formules DAX avec d’autres formules sans devoir créer de nouveaux modèles.
Cette réflexion reviens à dire : Comment intégrer mon modele Power BI dans une instance Analysis Services en mode Tabulaire de manière automatique.
Réponse : Il existe 2 méthodes :
Méthode 1 : Je crée un nouveau projet Visual studio et je développe ce qui a été réalisé dans Power BI
Méthode 2 : J’importe depuis le portail Azure les données depuis mon fichier Power BI et l’outil va créer automatiquement le modèle tabulaire présent dans le fichier Power BI Desktop.
Dans ce blog je vais vous présenter brièvement la méthode N°2 qui permet d’uploader rapidement un modèle tabulaire issus de Power BI desktop
Cette option est en mode préview actuellement sur le portail, elle n’est pas encore complètement achevé et donc elle est susceptible de comporter des erreurs.
On sélectionne un fichier Power BI Destktop (on voit que nous pouvons importer des modèles depuis un Datawarehouse ou une SQL database également)
Pour notre test nous avons sélectionné le fichier pbix de notre choix :
Il nous importe le modele avec les formules en DAX qui sont incorporé dans notre projet Power BI desktop:
Il ne reste plus qu’a se connecter a ce modèle depuis notre instance Azure Analysis Services.
Les formules en DAX et le code M de transformation des données étant repris lors de cet import.
Julien PIERRE
Consultant MSBI
Les projets d’équipe de VSTS offrent la possibilité de gérer les item du product backlog. Depuis l’interface web de VSTS on peut :
Ces différents items sont personnalisables en fonction de vos besoins de suivi de projet.Il est aussi possible de les gérer du portfolio du projet depuis Project 2016 en synchronisant ce dernier avec le projet d’équipe VSTS personnalisé.
Au sein de cet article nous utilisons le projet ArticleSyncProject généré par l’utilitaire VSTS Demo Data generator en utilisant le template MyHealthClinic.
Depuis Project 2016, on peut créer un lien bidirectionnel avec un projet VSTS pour synchroniser les données.
Il est nécessaire de créer une query pour sélectionner les items à synchroniser avec Project 2016.
Dans notre cadre , nous allons créer une query à partir des items présents dans le sprint2.
Nous pouvons maintenant utiliser Project 2016.
Se connecter au projet d’équipe ArticleSyncProject
Dans la fenêtre de choix :
Maintenant que votre projet est connecté à votre projet VSTS, vous pouvez récupérer vos items.
Depuis la fenêtre de sélection :
Vous pouvez maintenant manipuler vos items depuis Project.
Attention, seuls les champs mappés entre VSTS et Project sont synchronisés.
Nous venons de voir comment lier un projet VSTS à Project 2016.
Dans notre projet d’exemple, ArticleSyncProject, basé sur le Template scrum, on constate que la date de début et la date de fin des différents items ne font pas partie du mappage avec VSTS. Ainsi les modifications que l’on fera sur Project pour les date de début et de fin ne seront pas sauvegarder dans VSTS.
Ceci est normal si on utilise le Framework Scrum, mais il existe une solution afin de remonter ces informations dans le projet VSTS
Il faut ajouter la date de début et de fin aux types d’items dans le projet VSTS que l’on souhaite synchroniser. Dans notre cas :
Dans un premier temps nous allons créer un nouveau Template projet héritant du Template scrum de VSTS.
Ceci permet d’accéder aux paramètres du VSTS.
Dans la fenêtre de création :
Maintenant que votre nouveau Template est créé, nous pouvons ajouter les nouveaux champs.
Nous allons commencer par modifier les Tasks du nouveau Template.
Dans la fenêtre d’ajout d’un champ :
Faire de même pour ajouter le champ « Finish Date » au type « Task »
Répéter les opérations pour ajouter les champs Start Date et Finish Date au type « Product Backlog Item »
Nous pouvons à présent associer notre nouveau Template à notre projet.
Dans le menu contextuel du nouveau Template, ScrumProjectTemplate :
Dans la nouvelle fenêtre :
Un projet d’équipe est associé au Template ScrumProjectTemplate.
En accédant au détail d’une task du projet ArticleSyncProject, les nouveaux champs sont maintenant présents.
Nous pouvons maintenant modifier le mappage entre Project2016 et VSTS pour synchroniser les 2 nouveaux champs « Start Date » et « Finish Date ».
Pour ceci nous devons utiliser en ligne de commande l’utilitaire TFSFieldMapping que vous trouverez dans :
%programfiles%\Common Files\microsoft shared\Team Foundation Server\15.0
Le fichier de « Mapping.xml » contient le xml suivant :
Actualisons le mappage entre VSTS et Project 2016.
Pour ceci retournons sur notre fichier Project2016 lier à notre projet VSTS :
Vous pouvez maintenant modifier les dates de début et de fin dans Project, elles seront synchroniser avec le projet VSTS.
En suivant la procédure décrite dans cette article, vous pourrez ajouter et mapper de nouveaux champs entre VSTS et Project 2016.
Pour modifier le fichier de mappage vous trouverez la liste des noms de champ existant sur votre VSTS :
En ce qui concerne le nom de champs sous Project, il suffit de préfixer le nom du champ par : pjtask
En liant VSTS à Project 2016, on peut tirer parti du meilleur des deux.
Avec VSTS, on partage les informations du projet aux différents acteurs :
Avec Project, le chef de projet peut suivre et modifier rapidement les différentes informations du projet afin d’anticiper le plus tôt possible.
Ce lien entre VSTS et project 2016 demande un peu de travail au début, mais en utilisant les templates VSTS on rentabilise vite cet investissement.
Avec Teams vous pouvez partager un ensemble d’information aux différents membres de l’équipe sans que ceci aille sur le site VSTS du projet.
Par défaut, VSTS notifie par mail différents évènements qui se produisent sur un projet. Par conséquent, notre boîte mail se retrouve vite saturée de mail provenant de VSTS.
Certains de ces évènements sont envoyés par défaut seulement à la personne qui a déclenché l’évènement.
Par exemple, suite au commit du code d’un développeur sur la branche de développement, l’échec ou la réussite du build automatique (cas d’une intégration continue) sera envoyé seulement à ce développeur, par défaut.
En connectant VSTS à Teams, ces différentes notifications peuvent être partagées à l’ensemble de l’équipe projet, sans encombrer les boîtes mail de chacun.
Vous devez créer un nouveau canal à votre équipe projet sous Teams
Dans la fenêtre de création du canal :
Il ne reste plus qu’à créer un connecteur pour que les notifications de VSTS arrivent dans le canal Suivi Backlog.
Dans la fenêtre de gestion des connecteurs :
Dans la fenêtre de configuration :
Lorsque la configuration est faite avec succès, le post suivant apparaît dans le canal :
Vous pouvez tester le connecteur en modifiant par exemple une tâche du projet sous VSTS.
Selon vos besoins, vous pouvez tester les différents types d’évènement que vous souhaitez écouter dans Teams.
Dans le canal dédié au projet, il est aussi possible d’ajouter un onglet afin de visualiser rapidement la backlog du projet sous forme de Kanban.
Dans le canal du projet :
Dans la fenêtre de sélection d’onglet :
Dans la fenêtre de configuration de l’onglet VSTS :
Visualiser et partager avec votre équipe le kanban.
Attention, seuls les personnes possédant un compte pour se connecter aux projets pourront accéder à cet onglet.
Si vous utilisez déjà Teams pour gérer vos projet au sein de vos équipes, connecter VSTS à Teams est pratique. L’ensemble des informations dont vous avez besoin sont maintenant disponible sur un seul outil Microsoft.
Teams permet de visualiser rapidement et simplement certaines informations du projet VSTS, si vous avez besoin de plus de détail passer directement par VSTS.
Lorsque l’on regarde des articles ou des tutoriaux sur l’utilisation des différentes fonctionnalités de Visual Studio Team Services, on est souvent confronté à cette problématique : je fais mes tests sur quel projet ?
Dans ce cas on peut :
L’objectif de cet article est donc de vous présenter un outil en ligne, fourni par Microsoft, qui permet de créer rapidement un projet sous VSTS avec déjà du contenu.
Avec l’utilitaire VSTS Demo Data generator on peut créer rapidement et simplement un projet de test sur sa souscription VSTS.
Ce projet contient déjà :
Aller sur la page : VSTS Demo Data generator
Lorsque la vérification de sécurité est validé, la page de création du projet VSTS est affichée.
Lors de la sélection du Template, l’utilitaire vérifie que les extensions nécessaires ont bien été installées sur votre VSTS. Dans le cas contraire, vous êtes invité à les installer.
Dans notre cas nous avons choisi le Template MyHealthClinic.
Lorsque votre projet VSTS est créé, la page récapitulative suivante est affichée :
C’est parti pour vos tests
Lorsque vous avez fini d’utiliser votre projet VSTS vous pouvez supprimer ce dernier.
Depuis la page d’accueil de votre compte VSTS, allez dans la page de la vue globale des projets définis dans votre VSTS.
Dans la liste des projets, sélectionnez le projet à supprimer.
Confirmer le nom de projet à supprimer dans la fenêtre de suppression.
La suppression a été faite avec succès lors de l’affichage de la fenêtre ci-dessous.
Je trouve cet utilitaire très pratique et simple à utiliser. Je peux enfin faire rapidement des tests sur des projets avec du contenu, sans perturber les équipes qui travaillent sur les autres projets VSTS.
Il manque plus qu’un utilitaire dans le même esprit pour créer les environnements associés à ces projets sur Azure.
Le but d’Azure Machine Learning est d’analyser des données, puis de développer et d’implémenter des modèles statistiques à l’aide de différents outils.
L’un de ces outils se nomme Azure Machine Learning Workbench. Il est constitué d’une application de bureau (cela s’apparente à Power BI Desktop) ainsi que d’outils en ligne de commande. Il vous permet de gérer des solutions d’apprentissage automatique dans l’intégralité du cycle de vie des sciences des données.
Pour l’installation, on peut suivre le tutorial suivant :
https://docs.microsoft.com/fr-fr/azure/machine-learning/preview/quickstart-installation
Remarque : Lors de la création du service Azure Machine Learning Expérimentation. Il est impératif que notre espace de stockage soit dans la même région que ce dernier.
On commence par créer un nouveau projet. Pour cela, il suffit de cliquer sur la croix et d’appuyer sur new project comme représenté ci-dessous :
Par la suite, on renseigne le nom du projet. On peut sauvegarder ce dernier et faire du versionning dans un Repo Git si on le souhaite. Dans le search Project Templates, nous disposons de plusieurs types de projet préprogrammer, nous avons un exemple connu : le projet Iris. Dans notre cas, nous allons choisir blank project.
Après avoir créé notre projet, on va charger un fichier CSV à partir d’un répertoire local. On se positionne sur l’onglet vue de données :
On clique sur la croix en haut à gauche puis sur add a datasource :
Par la suite, nous chargeons notre fichier en déroulant les étapes indiquées sur la fenêtre (on dispose de 6 étapes). Dans l’étape 3 par exemple, on peut avoir une première visualisation de notre fichier et décider du séparateur de colonne…etc. L’étape 4 nous permet d’observer le type de données dont on dispose et de pouvoir changer ce type si l’on souhaite. Une fois les étapes terminées, on peut cliquer sur finish, ce qui nous donne :
Le bouton Metrics (en bleu dans l’image ci-dessus), nous permet de visualiser les statistiques descriptives des colonnes de notre fichier :
Après avoir observé ces dernières, on peut se pencher sur la préparation de nos données pour notre modèle. En appuyant sur l’icône Data, on revient à notre tableau de données. il nous suffit de cliquer sur prepare et new data prepare package et nommer ce dernier :
On voit ainsi, dans la partie data préparation, un nouveau package prêt à être transformer et nettoyer :
En cliquant droit sur une colonne, on trouve différentes fonctionnalités. Cette partie est similaire à la partie préparation de données dans Power BI. Une alternative existe, il s’agit de passer via le langage python.
Une fois nos données prêtent, on peut développer notre modèle. Il suffit de cliquer droit sur notre dataset dans le volet data preparation et re- cliquer sur generate acces data file, ce qui nous créer automatiquement une page de code Python :
De l’image, on peut remarquer que cela nous créer un onglet .py et automatiquement notre dataframe. On peut générer notre code python. On peut aussi créer un jupyter notebook pour tester notre code. On va sur l’icône qui représente un livre, on clique sur plus et on nomme notre notebook :
Remarque : On peut aussi le faire en cliquant droit sur prepare data. Cela nous crée bien un notebook jupyter. Cependant, on ne peut pas tester notre code.
Une fois qu’on a vérifié que notre code fonctionne, on peut le rajouter dans fenêtre. Afin de compiler ce dernier, on appuie sur le bouton RUN :
On peut observer à droite qu’une fenêtre nommer Jobs s’ouvre et on observer que note code est en train de s’exécuter.
Remarque : On peut observer aussi qu’on a un onglet se nommant Arguments. On trouve son utilité avec les variables sys.arg dans Python. Il peut être utiliser pour une régression logistique par exemple.
On peut s’amuser à relancer et changer la valeur de nos variables (Arguments par exemple). Une fois qu’on l’a exécuté (plusieurs fois). On peut cliquer sur l’historique (carré rouge dans l’image ci-dessous) et observer quelques metrics sur ce dernier :
On peut aussi filtrer sur une exécution. Cela va nous permettre de tester les différents temps d’exécution de notre programme et d’affiner ce dernier par la suite.
Afin de réaliser le déploiement, dans un premier temps, on va exécuter notre script dans un environnement local, ce qui va nous générer un fichier JSON qui va capturer le schéma d’entrée de données requis par le modèle. Une fois cela fait, on va récupérer notre fichier JSON et un fichier du modèle se nommant model.pkl qui aura été enregistré dans notre répertoire du projet :
A l’aide d’une commande, on va créer un environnement local et enregistrer les fichiers récupérer au pare avant dans ce dernier. Cela va nous permettre de créer notre service web en temps réel. Pour réaliser cela, il nous suffit de taper la commande suivante :
az ml service create realtime -f mtcars prepare.py –model-file model.pkl -s service_schema.json -n irisapp -r python –collect-model-data true -c aml_config\conda_dependencies.yml
Cette commande génère un ID du service Web qu’on pourra utiliser plus tard.
Remarque : Le nom du service doit être en minuscule.
Lorsque vous exécutez la commande, le modèle et le fichier de notation sont chargés sur le compte de stockage que vous avez créé lors de la configuration de l’environnement. Le processus de déploiement crée une image Docker contenant le fichier de modèle, de schéma et de notation, puis la place dans le registre de conteneurs Azure : <ACR_name>.azureacr.io/<imagename>:<version>.
La commande extrait l’image localement sur votre ordinateur, à partir de laquelle il démarre un conteneur Docker. Dans le cadre du déploiement, un point de terminaison HTTP REST pour le service web est créé sur votre machine locale. Après quelques minutes, la commande doit se terminer avec un message de réussite, votre service web est alors opérationnel.
Cette outil représente un bon environnement pour commencer à faire des analyses statistiques et des modèles prédictifs. Cependant, il reste assez limité pour l’instant, par exemple, on ne peut utiliser qu’une seule version de Python et les packages disponibles (on peut télécharger de nouveau packages mais cela risque de poser problème lors du déploiement vers Azure étant donné la version dont on dispose). A ce jour, nos projets sont restreints à 25Mo si la taille de nos fichiers sont volumineux. Il existe bien sûr des solutions alternatives sous certaines conditions :
https://docs.microsoft.com/fr-fr/azure/machine-learning/preview/how-to-read-write-files
Nous suivrons le développement de cette offre très prometteuse, actuellement en préversion, dans de prochains articles.
Article rédigé par Amar ADGHAR
Le cloud Azure est un espace qui permet de créer des machines virtuelles (VM) pour tout besoin d’Infrastructure as as Service (IaaS). Il existe aujourd’hui une déclinaison spécifique d’une machine virtuelle dédiée aux Sciences de Données : la Data Science Virtual Machine (DSVM).
Sa création se fait en quelques minutes sous un compte Azure.
Une fois la VM déployée et démarrée, on utilise le principe de connexion de bureau à distance.
Cette VM possède l’atout majeur d’être préconfigurée avec la plupart des applications de la boîte à outils des Data Scientists. Passons les principaux outils en revue :
A la première utilisation, il faut définir un nouveau mot de passe puis redémarrer le service.
Sur Windows, se connecter à la page https://localhost:9999
Sur Linux, se connecter à la page https://localhost:8000
Ajouter ensuite une exception de sécurité dans le navigateur.
Le notebook est alors accessible et présente de nombreux exemples de codes.
Citons également la distribution Anaconda de Python, JuliaPro et quantités de librairies R et Python dédiées au Machine Learning.
Bien sûr, il reste possible d’ajouter d’autres applications puisque nous travaillons ici avec une machine virtuelle.
Le premier choix à effectuer face à l’offre des DSVM est celui du système d’exploitation : Windows 2012, Windows 2016 mais aussi Linux Ubuntu. Pour ce dernier, l’accès pourra se faire par connexion SSH mais aussi en lançant un bureau plus visuel au moyen du client X2Go.
Ensuite, se posera la question du dimensionnement de la VM. Les configurations varient légèrement selon le système d’exploitation. On jouera ici sur le type de disque pris en charge (SSD ou HDD), le nombre de processeurs virtuels (de 1 à 32) et la mémoire vive (jusqu’à 448 Go !)
La tarification évoluera en fonction de la configuration choisie et pour ces configurations comparables, il semble que la version Linux soit moins chère. Comme dans de nombreux services Azure, le coût s’évalue à l’heure d’utilisation. Il sera donc prudent d’enclencher l’arrêt automatique quotidien à une heure donnée. Le redémarrage reste quant à lui manuel.
Convaincu.e.s par la simplicité de déploiement de la DSVM ? Quel sera votre prochain projet de Data Science qui trouvera là son parfait terrain de jeu ?
Le Deep Learning est une évolution des réseaux de neurones, au cœur des méthodes d’apprentissage automatique, qui fait grand bruit par ses succès actuels, particulièrement dans la reconnaissance d’images. De nombreux frameworks existent pour « l’apprentissage profond » qui nécessitera des ressources importantes pour le calcul : Microsoft Cognitive Toolkit, TensorFlow, Keras, Theano, Caffe2, Chainer, Deep Water (H2O), etc. Il sera donc nécessaire de faire appel à la puissance des GPU et ce sont donc des VM spécifiques (mais plus chères) qui sont associées à ce besoin.
Nous traiterons du Deep Learning et de la DLVM dans un prochain article.
Paul PETON – Lead Data Scientist
Jonathan Lefebvre a écrit un script PowerShell permettant de créer les collections les plus couramment utilisé dans SCCM. Ce script créer en même temps les répertoires pour un meilleur classement.
