Domů
Produkty
Azure Machine Learning

Azure Machine Learning

Použijte služby na podnikové úrovni pro komplexní životní cyklus strojového učení

Modely strojového učení pro důležité obchodní informace ve velkém měřítku

Azure Machine Learning umožňuje odborníkům na data a vývojářům rychleji a s jistotou vytvářet, nasazovat a spravovat vysoce kvalitní modely. Zrychluje zhodnocení díky špičkovým operacím strojového učení (MLOps), opensourcové interoperabilitě a integrovaným nástrojům. Tato důvěryhodná platforma je navržená pro aplikace zodpovědné AI ve strojovém učení.

Rychlý vývoj a trénování modelů s integrovanými nástroji a podporou opensourcové architektury a knihovny

Zodpovědný vývoj modelů umělé inteligence, jeho součástí je nestrannost a vysvětlitelnost, a zodpovědné používání s ohledem na dodržování předpisů

Rychlé nasazování, správa a sdílení modelů strojového učení pro spolupráci napříč pracovními prostory a MLOps

Integrované řízení, zabezpečení a dodržování předpisů pro spouštění úloh strojového učení kdekoli

Zjistěte novinky týkající se Azure AI na konferenci Microsoft Ignite

Podpora celého životního cyklu strojového učení

Popisování dat

Označujte trénovací data a spravujte projekty popisování.

Příprava dat

Použití s analytickými moduly pro zkoumání a přípravu dat.

Datové sady

Přístup k datům a vytváření a sdílení datových sad.

Poznámkové bloky

Používejte poznámkové bloky Jupyter pro spolupráci s připojenými výpočetními prostředky.

Automatizované strojové učení

Automaticky trénujte a laďte přesné modely.

Nástroj pro navrhování s podporou přetahování

Návrh s využitím vývojového rozhraní podporujícího přetahování.

Experimenty

Můžete spouštět experimenty a vytvářet a sdílet vlastní řídicí panely.

Rozhraní příkazového řádku a sada Python SDK

Zrychlete proces trénování modelu při vertikálním navýšení a navýšení kapacity výpočetních prostředků Azure.

Visual Studio Code a GitHub

Používejte známé nástroje a snadno přecházejte z místního trénování k trénování v cloudu.

Výpočetní instance

Vyvíjejte ve spravovaném a zabezpečeném prostředí s cloudovými procesory, procesory GPU a clustery s obrovským výpočetním výkonem.

Opensourcové knihovny a architektury

K dispozici budete mít integrovanou podporu pro Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib a další nástroje.

Spravované koncové body

Rychle a snadno nasazujte modely pro dávkové odvozování a odvozování v reálném čase.

Kanály a CI/CD

Automatizujte pracovní postupy strojového učení.

Předem připravené image

Umožňuje získat přístup k imagím kontejnerů s architekturami a knihovnami pro odvozování.

Úložiště modelů

Sdílejte a sledujte modely a data.

Hybridní a multicloudové

Trénujte a nasazujte modely v místním prostředí i napříč multicloudovými prostředími.

Optimalizace modelů

Zrychlete trénování a odvozování a snižte náklady s využitím modulu Runtime ONNX.

Monitorování a analýza

Sledujte, protokolujte a analyzujte data, modely a prostředky.

Posun dat

Detekujte posun a udržujte přesnost modelů.

Analýza chyb

Laďte modely a optimalizujte přesnost modelů.

Auditování

Sledujte artefakty strojového učení kvůli dodržování předpisů.

Zásady

Pro správu dodržování předpisů používejte integrované a vlastní zásady.

Zabezpečení

Využívejte průběžné monitorování pomocí systému Azure Security Center.

Řízení nákladů

Používejte správu kvót a automatické vypínání.

Zrychlete zhodnocení díky rychlému vývoji modelů

Zvyšte produktivitu pomocí funkce studia – vývojového prostředí, které podporuje všechny úlohy strojového učení a umožňuje sestavovat, trénovat a nasazovat modely. Spolupracujte s Jupyter Notebooks pomocí integrované podpory populárních open-source frameworků a knihoven. Rychle vytvářejte přesné modely pomocí automatizovaného strojového učení pro tabulkové, textové a obrazové modely s využitím návrhu funkcí a prohledávání hyperparametrů. Využijte Visual Studio Code k bezproblémovému přechodu z místního prostředí do cloudu a automatickému škálování s výkonnými cloudovými clustery CPU a GPU.

Zprovoznění ve velkém měřítku s využitím MLOps

Zjednodušte nasazení a správu tisíců modelů v různých prostředích pomocí MLOps. Nasazujte a hodnoťte modely rychleji pomocí plně spravovaných koncových bodů pro dávkové predikce a predikce v reálném čase. K automatizaci pracovních postupů pro kontinuální integraci a průběžné doručování (CI/CD) používejte opakovatelné kanály. Sdílejte a objevujte artefakty strojového učení ve více týmech pro spolupráci napříč pracovními prostory pomocí registrů. Průběžně monitorujte metriky výkonu modelů, detekujte posun dat a aktivujte opětovné trénování, abyste zlepšili výkon modelu.

Poskytování zodpovědných řešení strojového učení

Vyhodnocujte modely strojového učení pomocí reprodukovatelných a automatizovaných pracovních postupů pro hodnocení spravedlnosti modelu, vysvětlitelnosti, analýzy chyb, analýzy příčin, výkonnosti modelu a průzkumné analýzy dat. Provádějte reálné zásahy s analýzou příčin v panelu odpovědné AI a generujte hodnotící tabulku v době nasazení. Zapojte zúčastněné strany do kontextu metriky odpovědné AI pro technické i netechnické publikum, a zjednodušte kontrolu dodržování předpisů.

Inovace na hybridní platformě, která je bezpečnější a kompatibilní

Zvyšte zabezpečení v celém životním cyklu strojového učení díky komplexním funkcím zahrnujícím identitu, data, sítě, monitorování a dodržování předpisů. Zabezpečte řešení pomocí vlastního řízení přístupu na základě rolí, virtuálních sítí, šifrování dat, soukromých koncových bodů a soukromých IP adres. Trénujte a nasazujte modely v místním prostředí, abyste splnili požadavky na suverenitu dat. Využijte integrované zásady a zjednodušte dodržování předpisů s využitím 60 certifikací, včetně FedRAMP vysoké úrovně a HIPAA.

Posílení znalostí strojového učení s využitím Azure

Zjistěte více o strojovém učení na platformě Azure a zúčastněte se praktických výukových programů v rámci 30denní vzdělávací cesty. Na jeho konci budete připraveni složit certifikaci Azure Data Scientist Associate.

Prozkoumejte nástroje strojového učení

Klíčové možnosti služby pro celý životní cyklus strojového učení

Popisování dat

Popisování s podporou strojového učení umožňuje vytvářet, spravovat a monitorovat projekty popisování a automatizovat iterativní úlohy.

Příprava dat

Rychle iterujte při přípravě dat ve velkém rozsahu na clusterech Apache Spark v rámci řešení Azure Machine Learning, které spolupracuje s Azure Synapse Analytics.

Poznámkové bloky pro spolupráci

Dosáhněte maximální produktivity s využitím IntelliSense, snadného přepínání výpočetních prostředků a jader a offline úprav poznámkových bloků. Spusťte poznámkový blok v editoru Visual Studio Code, abyste získali bohaté vývojové prostředí, včetně zabezpečeného ladění a podpory správy zdrojového kódu Git.

Automatizované strojové učení

Rychle vytvářejte přesné modely pro klasifikaci, regresi, předpovídání časových řad, úlohy zpracování přirozeného jazyka a úlohy počítačového vidění. Pomocí interpretovatelnosti modelu můžete pochopit, jak byl model vytvořen.

Strojové učení přetahováním

Použijte nástroje strojového učení jako návrháře pro transformaci data, trénování a vyhodnocování modelů nebo snadné vytváření a publikování kanálů strojového učení.

Zpětnovazební učení

Škálujte zpětnovazební učení na výkonné výpočetní clustery, zajistěte podporu scénářů s více agenty a získejte přístup k opensourcovým algoritmům, architekturám a prostředím zpětnovazebního učení.

Zodpovědné sestavování

Zajistěte transparentnost modelů při trénování a odvozování díky možnostem interpretovatelnosti. Posuzujte nestrannost modelů na základě metrik nekonzistence a zmírňujte nespravedlnosti. Vylepšete spolehlivost modelu a identifikujte a diagnostikujte chyby modelu pomocí sady nástrojů pro analýzu chyb. Pomozte chránit data s využitím rozdílové ochrany osobních údajů.

Experimentování

Spravujte a monitorujte spuštění nebo porovnávejte několik spuštění v rámci trénování a experimentování. Vytvářejte vlastní řídicí panely a sdílejte je se svým týmem.

Registry

Pomocí úložišť pro celou organizaci můžete ukládat a sdílet modely, kanály, komponenty a datové sady ve více pracovních prostorech. Automaticky zaznamenávejte rodokmeny dat a zásady správného řízení pomocí funkce záznamu pro audit.

Git a GitHub

Použijte integraci Git ke sledování práce a podporu GitHub Actions k implementaci pracovních postupů strojového učení.

Spravované koncové body

Pomocí spravovaných koncových bodů můžete zprovoznit nasazení a vyhodnocení modelů, protokolovat metriky a provádět bezpečné uvádění modelů.

Automatické škálování výpočetních prostředků

Využijte spravované výpočetní prostředky k distribuci trénování a rychlému testování, ověřování a nasazování modelů. Sdílejte clustery CPU a GPU v rámci pracovního prostoru a automaticky je škálujte s ohledem na vaše požadavky na strojové učení.

Interoperabilita s ostatními službami Azure

Zvyšte produktivitu pomocí Microsoft Power BI a služeb, jako jsou Azure Synapse Analytics, Azure Cognitive Search, Azure Data Factory, Azure Data Lake, Azure Arc, Azure Security Center a Azure Databricks.

Hybridní a multicloudová podpora

Spouštějte strojové učení ve stávajících clusterech Kubernetes místně, v multicloudovém prostředí a na hraničních zařízeních s využitím služby Azure Arc. Pomocí jednoduchého agenta strojového učení můžete začít bezpečněji trénovat modely, ať už jsou vaše data kdekoli.

Zabezpečení na podnikové úrovni

Využijte možnost lépe zabezpečeného sestavování a nasazování modelů díky možnostem izolace sítí a komplexní privátní IP adresy, řízení přístupu k prostředkům a akcím na základě role, vlastním rolím nebo spravovaným identitám pro výpočetní prostředky.

Správa nákladů

Snižte náklady na IT a lépe spravujte přidělování prostředků pro výpočetní instance pomocí limitů kvót na úrovni pracovních prostorů a prostředků a automatického vypínání.

Průvodce strojovým učením Azure

Naučte se odborné techniky pro vytváření kompletně automatizovaných a vysoce škálovatelných modelů strojového učení a kanálů v Azure s využitím TensorFlow, Sparku a Kubernetes.

Technický dokument white paper MLOps

Objevte systematický přístup k vytváření, nasazování a monitorování řešení strojového učení pomocí MLOps. Rychle vytvářejte, testujte a spravujte životní cykly strojového učení připravené k produkci ve velkém měřítku.

Zpráva Forrester Wave^TM 2020

Podívejte se, proč Forrester označil Azure Machine Learning za lídra v žebříčku The Forrester Wave^TM: Notebook-Based Predictive Analytics And Machine Learning, Q3 2020.

Studie celkového ekonomického dopadu Forrester^TM (TEI)

Studie Forrester Consulting Total Economic Impact^TM (TEI), kterou si nechal vypracovat Microsoft, zkoumá potenciální návratnost investic (ROI), které mohou podniky realizovat s Azure Machine Learning.

dokument white paper o řešeních Machine Learning

Naučte se vytvářet zabezpečená, škálovatelná a rovnoměrná řešení.

Dokument white paper o zodpovědné umělé inteligenci

Přečtěte si o nástrojích a metodách pro pochopení, ochranu a řízení modelů.

Dokument white paper pro operace strojového učení (MLOps)

Zrychlete proces sestavování, trénování a nasazování modelů ve velkém měřítku.

Dokument white paper o strojovém učení r s podporou Azure Arc

Naučte se vytvářet, trénovat a nasazovat modely v jakékoli infrastruktuře.

Komplexní a předem integrované zabezpečení a dodržování předpisů

Microsoft investuje do výzkumu a vývoje v oblasti kybernetického zabezpečení více než USD 1 miliardu ročně.
Zaměstnáváme více než 3,500 odborníků na zabezpečení, kteří se plně věnují zabezpečení dat a ochraně osobních údajů.
Azure má víc certifikací než jakýkoli jiný poskytovatel cloudu. Podívejte se na kompletní seznam.

ISO/IEC

CSA/CCM

ITAR

CJIS

HIPAA

IRS 1075

Další informace o zabezpečení v Azure

Používání Azure Machine Learning

Přejít do webového prostředí studia

Sestavování a trénování

Nasazení a správa

Krok 1 z 1

Můžete vytvářet nové modely a ukládat výpočetní cíle, modely, nasazení, metriky a historii běhů v cloudu.

Krok 1 z 1

Využijte automatizované strojové učení k identifikaci algoritmů a hyperparametrů a sledování experimentů v cloudu. Vytvářejte modely s použitím poznámkových bloků nebo návrháře umožňujícího přetahování.

Krok 1 z 1

Nasaďte svůj model strojového učení v cloudu nebo na hraničních zařízeních, monitorujte jeho výkon a podle potřeby ho přetrénujte.

Plaťte jenom za to, co opravdu potřebujete, bez počátečních nákladů

Ceny služby Azure Machine Learning

Začínáme s bezplatným účtem Azure

Spustit bezplatnou zkušební verzi. Získejte kredit ve výši $200 a použijte ho do 30 dnů. Když máte kredit, získáte zdarma mnoho našich nejpopulárnějších služeb a navíc více než 40 dalších služeb, které jsou vždy zdarma.

Po vyčerpání kreditu přejděte na průběžné platby, abyste mohli dál tvořit pomocí stejných služeb. Plaťte pouze v případě, že využijete více než bezplatné měsíční částky.

Po 12 měsících budete dál využívat více než 40 služeb, které jsou vždy zdarma, a stále budete platit jen za to, co používáte nad rámec bezplatných měsíčních částek.

Zákazníci využívající Azure Machine Learning

"We make it our mission to try new ideas and go beyond to differentiate AXA UK from other insurers. We see managed endpoints in Azure Machine Learning as a key enabler for our digital ambition."

Nic Bourven, ředitel informačních technologií, AXA UK

Přečtěte si příběh

"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."

Bikram Virk, produktový manažer, AI a Machine Learning, FedEx

Přečtěte si příběh

"As more of our groups rely on the Azure Machine Learning solution, our finance experts can focus more on higher-level tasks and spend less time on manual data collection and input."

Jeff Neilson, manažer datových věd, 3M

Přečtěte si příběh

"With Azure Machine Learning, we can show the patient a risk score that is highly tailored to their individual circumstances. …Ultimately, we aim to reduce risk, reduce uncertainty, and improve surgical outcomes."

Profesor Mike Reed, klinický ředitel, traumatologie a ortopedie, Northumbria Healthcare NHS Foundation Trust

Přečtěte si příběh

"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."

Michael Cleavinger, ředitel oddělení Shopper Insights, Data Science, and Advanced Analytics, PepsiCo

Přečtěte si příběh

"Using automated machine learning features of Azure Machine Learning for machine learning model creation enabled us to realize an environment in which we can create and experiment with various models from multiple perspectives."

Keiichi Sawada, oddělení podnikové transformace, Seven Bank

Přečtěte si příběh