Maskinlæringsoperasjoner (MLOps)
Få fart på automatiseringen, samarbeidet og reproduserbarheten til maskinlæringsarbeidsflyter
Strømlinjeformet utrulling og administrasjon av tusenvis av modeller på tvers av produksjonsmiljøer, fra lokalt til kanten
Totaladministrerte endepunkter for satsvise prognoser og sanntidsprognoser for å rulle ut og score modeller raskere
Repeterbare datasamlebånd for å automatisere maskinlæringsarbeidsflyter for kontinuerlig integrering / kontinuerlig levering (CI/CD)
Overvåker kontinuerlig måledata for modellytelse, oppdager dataavvik og utløser ny opplæring for å forbedre modellytelsen
Lever innovasjon raskt
Maskinlæringsoperasjoner for MLOps – eller DevOps for maskinlæring – er skjæringspunktet mellom personer, prosesser og plattformer for å oppnå forretningsverdi fra maskinlæring. Det strømlinjeformer utvikling og utrulling via overvåking, validering og styring av maskinlæringsmodeller.
Bygg arbeidsflyter og modeller for maskinlæring
Bruk datasett og rike modellregistre til å spore ressurser. Muliggjør forbedret sporbarhet med sporing for kode, data og måledata i kjøreloggen. Bygg datasamlebånd for maskinlæring for å utforme, rulle ut og administrere reproduserbare modellarbeidsflyter for konsekvent modell-levering.
Distribuer enkelt svært nøyaktige modeller hvor som helst
Rull ut raskt og sikkert. Bruk administrerte nettbaserte endepunkter til å rulle ut modeller på tvers av kraftige CPU- og GPU-maskiner uten å administrere den underliggende infrastrukturen. Pakk modeller raskt og sikre høy kvalitet i hvert trinn ved hjelp av modellprofilering og valideringsverktøy. Bruk kontrollert utrulling til å promotere modeller i produksjon.
Administrer hele livssyklusen for maskinlæring på en effektiv måte
Dra nytte av innebygd interoperabilitet med Azure DevOps og GitHub Actions for sømløs administrasjon og automatisering av arbeidsflyter. Optimaliser modellopplæring og samlebånd for utrulling, bygg for CI/CD for å legge til rette for gjenopplæring, og tilpass enkelt maskinlæring i eksisterende utgivelsesprosesser. Bruk avansert datadriftsanalyse for å forbedre modellytelsen over tid.
Oppnå styring på tvers av ressurser
Spor modellversjonslogg og avstamming for revisjonsevne. Angi databehandlingskvoter på ressurser og bruk policyer for å sikre overholdelse av standarder for sikkerhet, personvern og forskriftssamsvar. Bruk de avanserte egenskapene til å oppfylle styrings- og kontrollmålene og til å fremme modellgjennomsiktighet og rettferdighet.
Dra nytte av interoperabilitet med MLflow
Bygg fleksible og sikrere ende-til-ende-arbeidsflyter for maskinlæring ved hjelp av MLflow og Azure Machine Learning. Skaler de eksisterende arbeidsbelastningene sømløst fra lokal kjøring til den intelligente skyen og kanten. Lagre MLflow-eksperimentene dine, kjør måledata, parametere og modellartefakter i det sentraliserte Azure Machine Learning-arbeidsområdet.
Få fart på samarbeids-MLOps på tvers av arbeidsområder
Legg til rette for samarbeid på tvers av arbeidsområder og MLOps med registre. Drift maskinlæringsressurser på en sentral plassering, noe som gjør dem tilgjengelige for alle arbeidsområder i organisasjonen. Promoter, del og oppdag modeller, miljøer, komponenter og datasett på tvers av team. Gjenbruk datasamlebånd og rull ut modeller som er opprettet av team i andre arbeidsområder, samtidig som avstamming og sporbarhet beholdes intakt.
Ressurssenteret
Se maskinlæringsoperasjoner i praksis
Bygg datasamlebånd for maskinlæring for å utforme, distribuere og administrere modellarbeidsflyter
Bygg datasamlebånd for maskinlæring for å utforme, distribuere og administrere modellarbeidsflyter
Automatisere et datasamlebånd for maskinlæring
Sam er en dataforsker som jobber for en motebutikk på nettet. Selskapet begynte nylig å bruke maskinlæring til å gi nøyaktige og betimelige anbefalinger, slik at både kundetilfredshet og salg ble forbedret.
Etter en katalogoppdatering ble Sam bedt om å oppdatere modellen for varemerkeanbefalinger – men ingen vet hvor den gjeldende modellen kom fra. Han går over til Azure Machine Learning for å bygge en reproduserbar og sporbar arbeidsflyt.
Sam er dataforsker for en nettbutikk og har fått i oppgave å oppdatere anbefalingsmodellen deres etter en nylig katalogoppdatering. Sam leter etter modellsamlebåndet, men ingen vet hvor modellen kom fra.
Sam tar i bruk Azure ML for å lage en sporbar modellarbeidsflyt.
Bruk Azure Machine Learning med dine eksisterende verktøy
Sam bruker Azure Machine Learning SDK til å flytte sitt Jupyter Notebook-baserte arbeid til Azure Machine Learning, og benytter seg av egenskapene for skalering og samarbeid. Ved å bruke rammeverket han foretrekker, bestemmer han versjoner for opplæringskoden og datasett og kobler dem til et sporbart eksperiment.
Fang opp måleverdiene fra alle eksperimentkjøringer
Hver gang Sam utfører en kjøring, sporer Azure Machine Learning måledataene og logger den for gjennomgang. Dette registrerer inndata (for eksempel datasett, kode og parametere) og utdata (for eksempel logger, måledata og modeller) for vurdering og sammenligninger.
Se gjennom modeller og eksperimenter i arbeidsområdet
Mens Sam fortsetter å arbeide i notatblokkmiljøet sitt, bruker teamet hans Azure Machine Learning-studio til enkelt å spore tilbake fra den endelige modellen i modellregisteret gjennom hver ressurs og hvert trinn som brukes til å opprette den.
Lag gjenbrukbare datasamlebånd for effektivitet og konsekvens
Sam lager et gjenbrukbart datasamlebånd for maskinlæring for å levere en modellopplæringsarbeidsflyt og utløse den automatisk ved endringer i kildedata. Ved behov kan han bruke resultatet av trinnene på nytt uten å endre inndataene.
Lag reproduserbare datasamlebånd for maskinlæring
Sam har bygget en reproduserbar og sporbar arbeidsflyt ved hjelp av Azure Machine Learning. Hver modell som teamet produserer, er nå knyttet til en eksperimentell kjøring for gjennomgang og gjentakelse. Med et reproduserbart datasamlebånd lar Sam Azure Machine Learning automatisere gjenopplæring mens han fokuserer på den neste store tingen.
Azure Machine Learning hjelper deg med å bygge maskinlæringssamlebånd i bedriftsklassen, gjennom reproduserbarhet og sporbarhet. Dette fører til mer konsekvent modelllevering med mindre variasjon og økt feiltoleranse.
Mer informasjon om datasamlebånd for maskinlæring Bla gjennom GitHub-repositoriet for denne demoen
Sam har brukt Azure ML og skapt en reproduserbar og sporbar arbeidsflyt. Hver modell som teamet produserer, er nå knyttet til en eksperimentkjøring, noe som gir dem mulighet for gjennomgang og gjentagelser. Med et reproduserbart datasamlebånd kan Sam få Azure ML til å automatisere gjenopplæringen mens han selv fokuserer på neste arbeidsoppgave.
Med Azure ML kan du bygge datasamlebånd for maskinlæring i foretaksklassen gjennom reproduserbarhet og sporbarhet. Dette gir en mer enhetlig modellevering med mindre variabilitet og økt feiltoleranse.
Mer informasjon om datasamlebånd for maskinlæring Bla gjennom GitHub-repositoriet for denne demoen
Distribuer raskt og med selvtillit ved hjelp av autoskalering og administrerte, distribuerte følgeslutningsklynger
Distribuer raskt og med selvtillit ved hjelp av autoskalering og administrerte, distribuerte følgeslutningsklynger
Distribuere et endepunkt for nettjenester for en modell
Sam, en dataforsker som jobber for en nettbutikk, har lagt til Azure Machine Learning i arbeidsflyten for å bygge bedre modeller. Det automatiserte datasamlebåndet hans registrerte nettopp en endelig modell med vedlagte eksperimentelle resultater som viser forbedret ytelse.
Nettutviklingsteamet er ikke sikker på hvordan de bygger inn en maskinlæringsmodell i nettappen og har bedt om en nettjeneste i stedet. Sam bruker Azure Machine Learning for å få hjelp til å legge til et endepunkt for nettjenester i modellen.
Sam, en dataforsker hos en nettbutikk, brukte Azure maskinlæring til å opprette og registrere en modell. Nettutviklingsteamet hans har nå bedt ham om et nettendepunkt for å kalle modellen hans for følgeslutning. Sam bruker Azure Machine Learning til å opprette dette webtjenesteendepunktet.
Hent den nyeste modellen og profiler den for produksjon
Sam henter den nyeste modellen fra registeret og profilerer den for å se hva slags ressurser den kan trenge i produksjon.
Skyv modellen til Azure Container Instances
Med profileringsdataene i hånden bruker Sam Azure Machine Learning til å pakke modellen inn i en beholder og distribuere den til Azure Container Instances for sanntids- eller satsvis følgeslutning. Etter distribusjonen benytter han seg av funksjonene for automatisk skjemagenerering og overvåking i Azure Machine Learning.
Rull ut til skalerbare, varierte endepunkter og implementer A/B-testing
Med bare et par linjer med kode skyver Sam den samme modellen til en mer skalerbar forekomst av Azure Kubernetes Service (AKS), og utfører avanserte A/B-testfunksjoner for ny modellvalidering. Han kan nå distribuere modeller der de trengs, fra skyen til kanten, ved hjelp av databehandlingsalternativer inkludert CPU, GPU og FPGA.
Gi nettutviklingsteamet mulighet til å bruke den distribuerte modellen
Når modellen er distribuert til en AKS-forekomst, får nettutviklingsteamet tilgang til nettjenesteendepunktet for å ringe fra programmet for sanntids- eller satsvise følgeslutningsbehov. Sam overvåker modellendepunktet for datadrift og andre måledata, som kan overvåkes etter behov.
Publiser modeller der de trengs
Sam gjorde modellen med åpen kildekode om til en produksjonsklar nettjeneste for utviklingsteamet. Han holdt fokuset på modellutvikling i stedet for å lære om de mange teknologiene som kreves for tjenestedrifting, inkludert Kubernetes, Flask og Swagger.
Azure Machine Learning hjelper deg med å sømløst overføre modellene dine til modne og fullstendige nettjenester, slik at de raskt kan tas i bruk i programmer.
Finn ut hvordan du distribuerer modeller med Azure Machine Learning
Sam har brukt Azure ML til raskt å gjøre modellen som er basert på åpen kildekode, om til en produksjonsklar nettjeneste som er klar til bruk for utviklingsteamet. Som dataforsker har han kunnet fokusere på modellutvikling i stedet for å måtte sette seg inn i de mange andre teknologiene som kreves for tjenestedrifting (blant annet Kubernetes, Flask og Swagger).
Med Azure ML kan dataforskere problemfritt overføre modellene sine til modne og fullt funksjonelle nettjenester som raskt kan implementeres i programmer.
Finn ut hvordan du distribuerer modeller med Azure Machine Learning
Interoperer med Azure DevOps og GitHub Actions for å automatisere maskinlæringsarbeidsflyter
Interoperer med Azure DevOps og GitHub Actions for å automatisere maskinlæringsarbeidsflyter
Integrere med DevOps-arbeidsflyten
Sam, en dataforsker som jobber for en nettbutikk, brukte Azure Machine Learning til å bygge og rulle ut modellene sine. Han gav nylig ut modellen sin til en produksjonsforekomst av Azure Kubernetes Service (AKS), og netteamet har integrert den i nettappen med lovende resultater.
Rebecca, som er med i driftsteamet, ønsker å sikre at modellbygging og -utrulling er en del av DevOps-arbeidsflytene. Sam er ikke sikker på hvordan han skal innlemme det, så han lærer Rebecca om Azure Machine Learning og jobber med henne for å finne ut hvordan det kan oppfylle kravene deres.
Sam, en dataforsker, brukte nylig Azure ML til å bygge og distribuere modeller. Han lanserte nettopp en modell til deres produksjons-AKS-forekomst. Rebecca ønsker å integrere den med DevOps-arbeidsflytene sine. Sam peker henne til Azure Machine Learning.
Lag et nytt utgivelsesdatasamlebånd med Azure-datasamlebånd
Rebecca oppretter et datasamlebånd i Azure Pipelines for å automatisere distribusjonsprosessen. Det første trinnet i datasamlebåndet utfører oppgaver som å bygge modellen med alle avhengigheter og se etter feil. For å utløse dette datasamlebåndet automatisk kobler Rebecca det til Azure Machine Learning-modellregisteret, slik at det starter hver gang en ny modell eller en ny versjon av modellen registreres.
Publiser modellen for validering
Rebecca legger til en oppgave for å publisere modellen til Azure Container Instances for validering før den går til produksjon. Hun bruker kommandolinjegrensesnittet i Azure til å samhandle med Azure Machine Learning. Det gir henne tilgang til de samme funksjonene i verktøyene som Sam har i notatblokken sin. Dette trinnet etterligner integrasjonstester i appens DevOps-prosess.
Flytt modellen til produksjon ved validering
Rebecca legger til en utgivelsesoppgave for datasamlebånd for å distribuere modellen til produksjon ved hjelp av AKS. Før denne oppgaven aktiveres konfigurerer Rebecca en port som krever at et kundeemne eller en leder vurderer og godkjenner før du fortsetter. Dette sikrer at datasamlebåndet ikke forårsaker store forstyrrelser hvis et problem ikke ble fanget opp i de skriptede valideringene.
Konfigurer registrering av datadrift for å utløse ny opplæring
Når Rebecca konfigurerer det automatiserte datasamlebåndet for å distribuere modellene, muliggjør Sam overvåking av datadrift med Azure Machine Learning. Ved å overvåke tjenestebruken kan han se om følgeslutningsforespørslene i produksjonen begynner å avvike fra opplæringsdatasettet, noe som indikerer et behov for å lære opp på nytt.
Overvåk tjenesten for stabilitet og ytelse
Ved hjelp av Application Insights, en funksjon i Azure Monitor, overvåker Rebecca tjenesteoperasjoner som antall forespørsler, belastning på AKS-klyngen og responsventetid, mens Sam overvåker modellytelsen for å finne ut om optimaliseringer skal foretas.
Opprett en effektiv modellarbeidsflyt
Rebecca inkluderte Azure Machine Learning i DevOps-arbeidsflyten, fra utgivelsesautomatisering til produksjonsovervåking. Mens Sam holder et øye med tjenesteoperasjoner, overvåker og administrerer hun modellytelse og optimaliserer etter behov.
Azure Machine Learning bidrar til å øke datavitenskapen i organisasjonens DevOps-prosess, noe som fører til mer pålitelige og robuste maskinlæringsprosjekter.
Azure ML er integrert problemfritt i Rebeccas eksisterende DevOps-arbeidsflyt, fra utgivelsesautomatisering til produksjonsovervåking, med opprinnelige integrasjoner i eksisterende verktøy som Azure DevOps og Azure App Insights. Og mens Rebecca holder et øye med tjenestedriften, har Azure ML verktøyene Sam trenger for å overvåke og administrere modellytelsen og optimalisere etter behov.
Med Azure ML kan datavitenskap bli en viktig brikke i organisasjonens eksisterende DevOps-prosess og skape mer pålitelige og robuste maskinlæringsprosjekter.
Forbedre styring og kostnadsstyring på tvers av maskinlæringsprosjektene dine
Forbedre styring og kostnadsstyring på tvers av maskinlæringsprosjektene dine
Aktivering av maskinlæringsmodellstyring
Phil, IT-sjef hos en motebutikk på nettet, er entusiastisk over arbeidet datavitenskaps- og driftsteamene har gjort med Azure Machine Learning.
Selv om Phil er ansvarlig for selskapets IT-infrastruktur, er han ikke sikker på hva som er i produksjon, hvem som har tilgang, eller hvor mye det vil koste. Han bestemmer seg for å bruke Azure Machine Learning for å hjelpe ham med å utføre sitt styringsansvar.
Phil, som er IT-sjef hos en nettbutikk, er begeistret over Sam og Rebeccas arbeid. Men Phil er ansvarlig for IT-infrastruktur og vet ikke hvordan han skal sikre styring rundt prosjektet med maskinlæring. Han ser på Azure Machine Learning for å få hjelp.
Se gjennom modellene i produksjon
Phil bruker Azure Machine Learning til å overvåke produksjonsendepunktene. Han kan gå tilbake til underliggende modeller og eksperimenter sammen med utdataene fra modellforklaringene og rettferdighetsanalysen. Dette sikrer at han sporer hvert trinn i modellopprettingsprosessen og muliggjør modellrevisjon for eventuelle bias.
Sjekk revisjonsloggene for detaljerte modellogger
Phil får tilgang til revisjonslogger for Azure Machine Learning. De utfyller sporbarheten som finnes i modellene og eksperimentene med en detaljert logg, som sporer hver handling (dato, klokkeslett og bruker). Disse loggene hjelper Phil med å spore handlinger initiert i eller av tjenesten for organisasjonsomfattende ansvarlighet.
Sikre arbeidsområdet ved hjelp av Azure-identitets- og tilgangsadministrasjon
Phil bruker Azure-løsninger for identitets- og tilgangsadministrasjon til å administrere tilgang til Azure Machine Learning-arbeidsområdet. Han bruker både innebygde roller og egendefinerte roller til å begrense oppgaver brukere kan utføre og kontrollere tilgang til ressurser.
Sikre ansvarligheten med Azure-ressurser
Phil bruker kvotefunksjonen til å konfigurere ressursgrenser og deling. Dette hjelper ham med å administrere utgifter, kontrollere kostnader og sikre rettferdig ressursallokering på tvers av team. Det oppmuntrer også til ansvar for de respektive prosjektteamene.
Oppnå modellstyring og forskriftssamsvar
Phil kan nå se hva som er i produksjon og sikre organisatorisk forskriftssamsvar gjennom revisjon, rollebasert tilgangskontroll og kvoteadministrasjon. Han setter pris på hvordan Azure Machine Learning ikke bare støtter datavitenskaps- og driftsteamene, men leverer også de styringsfunksjonene i foretaksklassen som han trenger.
Azure Machine Learning gir de organisasjonsmessige kontrollene som er avgjørende for å gjøre maskinlæringsprosjekter vellykkede og sikrere.
Overvåk Azure Machine Learning Planlegg og administrer kostnader for Azure Machine Learning
Phil setter pris på at Azure ML ikke bare er til hjelp for datavitenskaps- og driftsteamene, men også inneholder styringsfunksjonalitet i foretaksklassen, slik at han kan ha kontroll på ansvarsområdene sine. Han kan se nøyaktig hva som er i produksjon, og dessuten sikre at organisasjonen overholder regler og standarder gjennom revisjon, rollebasert tilgangskontroll og kvoteadministrasjon.
Azure ML har de organisasjonskontrollene som kreves for å levere vellykkede og sikre maskinlæringsprosjekter.
Overvåk Azure Machine Learning Planlegg og administrer kostnader for Azure Machine Learning
Omfattende innebygd sikkerhet og forskriftssamsvar
-
Microsoft investerer mer enn USD 1 milliard årlig i cybersikkerhet.
-
Vi har mer enn 3,500 sikkerhetseksperter som bare jobber med datasikkerhet og personvern.
-
Azure har flere sertifiseringer enn noen annen skyleverandør. Se hele listen her.
Kom i gang med en gratis Azure-konto
Start gratis. Få $200 kreditt som du kan bruke innen 30 dager. Når du har kreditt, kan du få gratis forbruk av mange av våre mest populære tjenester, samt gratis forbruk av mer enn 40 andre tjenester som alltid er gratis.
Etter krediteringen må du bytte til bruksbasert for å fortsette å bygge med de samme gratistjenestene. Du betaler bare hvis du bruker mer enn de månedlige gratismengdene.
Etter 12 måneder får du fortsatt 40+ tjenester som alltid er gratis – og betaler fortsatt bare for det du bruker ut over de gratis månedlige mengdene.
Se hvordan kunder leverer verdiskapning med maskinlæringsoperasjoner
FedEx
Bikram Virk, produktadministrator, kunstig intelligens og maskinlæring, FedEx"Customers expect timely and accurate information on their packages and a data-based delivery experience. We're helping FedEx stay on the leading edge with Azure Machine Learning, and we're building expertise for future projects."
BRF
Alexandre Biazin, Technology Executive Manager, BRF"We're scaling with automated machine learning in Azure and MLOps capabilities in Azure Machine Learning so that our 15 analysts can focus on more strategic tasks instead of the mechanics of merging spreadsheets and running analyses."
Nestle
Ignasi Paredes-Oliva, Lead Data Scientist, Nestlé Global Security Operations Center"MLOps is at the core of our product. Because of its reproducible ML pipelines, ...registered models, and automatic model scoring, we're definitely detecting things that we missed before. Which, in terms of risk management, is really, really important."
PepsiCo
Michael Cleavinger, seniordirektør for datavitenskap om forbrukerinnsikt og avansert analyse, PepsiCo"We've used the MLOps capabilities in Azure Machine Learning to simplify the whole machine learning process. That allows us to focus more on data science and let Azure Machine Learning take care of end-to-end operationalization."
