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

Studie celkového ekonomického dopadu ForresterTM (TEI)
Studie Forrester Consulting Total Economic ImpactTM (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.
Používání Azure Machine Learning
Přejít do webového prostředí studia
Sestavování a trénování
Nasazení a správa

Plaťte jenom za to, co opravdu potřebujete, bez počátečních nákladů
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
Nic Bourven, ředitel informačních technologií, AXA UK"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."

Bikram Virk, produktový manažer, AI a Machine Learning, 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."

Jeff Neilson, manažer datových věd, 3M"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."

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

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

Keiichi Sawada, oddělení podnikové transformace, Seven Bank"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."

Azure Machine Learning prostředky
Kurzy pro začátečníky
- Začínáme se strojovým učením a sadou Python SDK
- Začínáme s aplikacemi Jupyter Notebook
- Začněte používat automatizované strojové učení
- Použití návrhářského nástroje pro strojové učení podporující přetahování
- Trénování modelů pomocí rozhraní příkazového řádku
- Trénování modelu s využitím rozšíření pro Visual Studio Code
Pokročilé kurzy
- Trénování a nasazování modelů automatizovaného strojového učení
- Projděte si příklady MLOps na GitHubu
- Využití návrhářského nástroje pro predikci
- Interpretace vysvětlení modelů strojového učení
- Interpretace vysvětlení modelů automatizovaného strojového učení
- Automatizované strojové učení za použití sady Python SDK
- Použití uživatelského rozhraní automatizovaného strojového učení
- Automatické učení trénování modelu časové řady
- Automatické trénování modelu detekce objektů
- Automatické trénování modelu zpracování přirozeného jazyka
Doporučená videa
- Předem připravené image Dockeru pro odvozování
- Spravované koncové body
- PyTorch Enterprise v Azure
- Spouštění modelů strojového učení kdekoli
- Demokratizace umělé inteligence pomocí návrháře strojového učení
- Zjistěte, jak se stát hrdinou strojového učení.
- studio Azure Machine Learning poznámkové bloky
- Správa prostředků, artefaktů a kódu
- Začínáme a analýza modelů
- Zvyšte svou produktivitu pomocí označování dat
Aktuality, blogy a oznámení týkající se Azure Machine Learning
Nejčastější dotazy k Azure Machine Learning
-
Tato služba je obecně dostupná v několika zemích/oblastech a další se připravují.
-
Smlouva o úrovni služeb (SLA) pro Azure Machine Learning je 99,9% dostupnost.
-
Studio Azure Machine Learning je špičkový nástroj strojového učení. Poskytuje centralizované místo, ve kterém můžou odborníci na data a vývojáři pracovat se všemi artefakty pro sestavování, trénování a nasazování modelů strojového učení.