Modely strojového učení pro důležité obchodní informace ve velkém měřítku
Azure Machine Learning umožňuje odborníkům na data a vývojářům vytvářet, nasazovat a spravovat vysoce kvalitní modely rychleji a s jistotou. Dosáhne rychlejšího zhodnocení pomocí špičkových MLOps (operace strojového učení), opensourcové interoperability a integrovaných nástrojů. Tato důvěryhodná platforma je navržená pro zodpovědné aplikace AI ve strojovém učení.
Rychlý vývoj a trénování modelů s integrovanými nástroji a podporou ze strany škálovatelné účelové infrastruktury AI.
Zodpovědný vývoj modelů AI s integrovanou nestranností a vysvětlitelností a zodpovědným využitím dodržování předpisů
Rychlé nasazení, správa a sdílení modelů ML pro spolupráci mezi pracovními prostory a MLOps
Vestavěné řízení, zabezpečení a dodržování předpisů pro spouštění úloh strojového učení kdekoli
Podpora kompletního životního cyklu strojového učení
Popisování dat
Označte trénovací data a spravujte projekty popisování.
Příprava dat
Použití s analytickými moduly pro zkoumání a přípravu dat.
Datové sady
Získejte přístup k datům a vytvářejte a sdílejte datové sady.
Notebooks
Používejte poznámkové bloky Jupyter pro spolupráci s připojenými výpočetními prostředky.
Automatizované strojové učení
Automatické trénování a ladění přesných modelů.
Návrhář přetahování
Návrh s využitím vývojového rozhraní podporujícího přetahování.
Experimenty
Spouštějte experimenty a vytvářejte a sdílejte 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 přepněte z místního školení na cloud.
Výpočetní instance
Vyvíjejte ve spravovaném a zabezpečeném prostředí s využitím dynamicky škálovatelných procesorů, GPU a supervýpočetních clusterů.
Opensourcové knihovny a architektury
Získejte integrovanou podporu pro Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib a další.
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 obrázky
Získejte přístup k obrázkům kontejnerů s využitím architektur a knihoven 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 modelu.
Analýza chyb
Ladění modelů a optimalizace přesnosti modelu.
Auditování
Sledujte artefakty strojového učení kvůli dodržování předpisů.
Zásady
Pro správu dodržování předpisů používejte integrované a vlastní zásady.
Zabezpečení
Užijte si průběžné monitorování s Azure Security Center.
Řízení nákladů
Používejte správu kvót a automatické vypnutí.
Azure Machine Learning pro hluboké učení
Spravovaná komplexní platforma
Zjednodušte celý životní cyklus hlubokého učení a správu modelů s využitím nativních funkcí MLOps. Spouštějte strojové učení kdekoli a bezpečně díky zabezpečení na podnikové úrovni. Zmírňujte předsudky modelů a vyhodnocujte modely pomocí řídicího panelu Odpovědné AI.
Veškeré vývojové nástroje a architektury
Vytvářejte modely hlubokého učení s využitím svých oblíbených integrovaných vývojových prostředí od Visual Studio Code až po poznámkové bloky Jupyter Notebook a v architektuře podle vlastního výběru s využitím PyTorch a TensorFlow. Azure Machine Learning se integruje s ONNX Runtime a DeepSpeed a optimalizuje trénování a odvozování.
Špičkový výkon
Využijte účelovou infrastrukturu AI, která je jedinečně navržená tak, aby kombinovala nejnovější grafické procesory NVIDIA a síťové prvky Mellanox s propojeními InfiniBand o rychlosti až 200 GB/s. Vertikálně navyšte kapacitu až na tisíce GPU v rámci jednoho clusteru s nebývalým škálováním.
Zrychlete zhodnocení díky rychlému vývoji modelů
Zlepšete produktivitu díky možnostem studia – vývojového prostředí, které podporuje všechny úlohy strojového učení, k vytváření, trénování a nasazování modelů. Spolupracujte pomocí poznámkových bloků Jupyter Notebook s využitím integrované podpory populárních opensourcových architektur a knihoven. Vytvářejte rychle přesné modely prostřednictvím automatizovaného strojového učení pro tabulkové, textové a obrazové modely s využitím extrakce příznaků a prohledávání hyperparametrů. Pomocí editoru Visual Studio Code můžete plynule přecházet z místního trénování na cloudové a automaticky škálovat s využitím výkonných cloudových clusterů CPU a GPU podporovaných sítí NVIDIA Quantum InfiniBand.
Zprovozňování ve velkém měřítku díky MLOps
Zjednodušte nasazení a správu tisíců modelů ve více 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 napříč několika týmy pro spolupráci mezi pracovními prostory s využitím registrů. Průběžně monitorujte metriky výkonu modelu, zjišťujte posun dat a aktivujte opakované trénování, aby se zlepšil výkon modelu.
Poskytování zodpovědných řešení strojového učení
Vyhodnoťte modely strojového učení pomocí reprodukovatelných a automatizovaných pracovních postupů a posuďte nestrannost modelu, vysvětlitelnost, analýzu chyb, kauzální analýzu, výkon modelu a průzkumnou analýzu dat. Proveďte v reálném životě zásahy pomocí kauzální analýzy na zodpovědném řídicím panelu AI a vygenerujte přehled výkonnostních metrik v době nasazení. Zapojte zúčastněné strany do kontextu zodpovědné metriky AI pro technické i netechnické cílové skupiny a zjednodušte kontrolu dodržování předpisů.
Inovace na hybridní platformě, která je bezpečnější a více vyhovuje předpisům
Zvyšte zabezpečení v rámci celého životního cyklu strojového učení díky komplexním funkcím zahrnujícím identity, data, sítě, monitorování a dodržování předpisů. Zabezpečte řešení s využitím vlastního řízení přístupu na základě rolí, virtuálních sítí, šifrování dat, privátních koncových bodů a privátních IP adres. Trénujte a nasazujte modely v místním prostředí, aby byly splněny 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
Přečtěte si víc o strojovém učení v Azure a zapojte se do praktických kurzů v rámci 30denního výukového plánu. Po jeho absolvování budete připraveni na certifikaci Azure Data Scientist Associate.
Klíčové možnosti služby pro úplný 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 měřítku na Apache Spark clusterech v rámci Azure Machine Learning, které jsou interoperabilní 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, prognózování časových řad, úlohy zpracování přirozeného jazyka a úlohy počítačového zpracování obrazu. Využijte interpretovatelnost modelů k pochopení způsobu sestavení modelu.
-
Strojové učení podporující přetahování
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.
-
Odpovědná budova
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
Využijte úložiště pro celou organizaci k ukládání a sdílení modelů, kanálů, komponent a datových sad napříč několika pracovními prostory. Automaticky zachytávejte rodokmen dat a data zásad 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
Pomocí účelových superpočítačů s umělou inteligencí můžete distribuovat trénování hlubokého učení a rychle testovat, ověřovat a nasazovat modely. Sdílejte clustery CPU a GPU v rámci pracovního prostoru a automaticky je škálujte s ohledem na své požadavky na strojové učení.
-
Interoperabilita s ostatními službami Azure
Zvyšte produktivitu díky Power BI a službám Microsoftu, 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 trénovat modely bezpečněji, ať 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 přidělení prostředků pro výpočetní instance s využitím limitů kvót na úrovni pracovního prostoru a prostředků a automatického vypnutí.
Integrované komplexní zabezpečení a dodržování předpisů
-
Microsoft investuje do výzkumu a vývoje v oblasti kybernetického zabezpečení více než 1 miliardu USD ročně.
-
Zaměstnáváme více než 3 500 odborníků na zabezpečení, kteří se plně věnují zabezpečení dat a ochraně osobních údajů.
-
Azure má více certifikací než jakýkoli jiný poskytovatel cloudu. Podívejte se na kompletní seznam.
-
Plaťte jenom za to, co opravdu potřebujete, bez počátečních nákladů
Začínáme s bezplatným účtem Azure
1
2
Po vyčerpání kreditu můžete přejít na průběžné platby, abyste mohli dál pokračovat v sestavování s využitím stejných bezplatných služeb. Platíte jenom za to, co využijete nad rámec vašeho bezplatného měsíčního objemu.
3
Vytvářejte nové modely a ukládejte cílové výpočetní objekty, modely, nasazení, metriky a historie spuštění v cloudu.
Využijte automatizované strojové učení k identifikaci algoritmů a hyperparametrů a sledování experimentů v cloudu. Vytvářejte modely s použitím poznámkových bloků nebo návrháře umožňujícího přetahování.
Nasaďte svůj model strojového učení v cloudu nebo na hraničních zařízeních, monitorujte jeho výkon a podle potřeby ho přetrénujte.
Zákazníci využívající Azure Machine Learning
"Naším cílem je vyzkoušet si nové nápady a jít dál, abychom AXA UK odlišili od ostatních pojištěních. Spravované koncové body v Azure Machine Learning vnímáme jako klíčový faktor pro naše digitální aktivity."
Nic Bourven, ředitel informačních technologií, AXA UK
"Zákazníci očekávají včasné a přesné informace o svých balíčcích a možnosti doručování na základě dat. Díky Azure Machine Learning pomáháme FedExu udržet si náskok a vytváříme odborné znalosti pro budoucí projekty."
Bikram Virk, produktový manažer, AI a Machine Learning, FedEx
"Vzhledem k tomu, že se více našich skupin spoléhá na Azure Machine Learning řešení, naši finanční odborníci se mohou více soustředit na úlohy vyšší úrovně a trávit méně času ručním shromažďováním a zadáváním dat."
Jeff Neilson, Data Science Manager, 3M
i
"S Azure Machine Learning můžeme pacientovi ukázat rizikové skóre, které je vysoce přizpůsobené jejich individuálním okolnostem. ...V konečném důsledku se snažíme snížit riziko, omezit nejistotu a zlepšit výsledky léčby."
Profesor Mike Reed, klinický ředitel, Trauma & Orthopedics, Northumbria Healthcare NHS Foundation Trust
1
"Využili jsme možnosti MLOps v Azure Machine Learning ke zjednodušení celého procesu strojového učení. Díky tomu se můžeme více soustředit na datové vědy a umožnit Azure Machine Learning se postarat o komplexní operacionalizaci."
Michael Cleavinger, ředitel oddělení Shopper Insights, Data Science, and Advanced Analytics, PepsiCo
.
"Použití funkcí automatizovaného strojového učení Azure Machine Learning pro vytváření modelů strojového učení nám umožnilo realizovat prostředí, ve kterém můžeme vytvářet a experimentovat s různými modely z různých úhlů pohledu."
Keiichi Sawada, divize podnikové transformace, Seven Bank
Prostředky Azure Machine Learning
Kurzy pro začátečníky
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
Doporučená videa
Předem sestavené image Dockeru pro odvozování
PyTorch Enterprise v prostředí Azure
Spouštění modelů strojového učení kdekoli
Demokratizace umělé inteligence s využitím designera služby Machine Learning
Zjistěte, jak se stát hrdinou strojového učení
Studio Azure Machine Learning poznámkové bloky
Správa prostředků, artefaktů a kódu
Další zdroje informací
Průvodce zvládnutí Azure Machine Learning
Seznamte se s odbornými technikami pro vytváření kompletních automatizovaných a vysoce škálovatelných modelů strojového učení a kanálů v Azure s využitím TensorFlow, Sparku a Kubernetes.
Technický dokument white paper MLOps
Seznamte se se systematickým přístupem k vytváření, nasazování a monitorování řešení strojového učení s využitím MLOps. Rychle sestavujte, testujte a spravujte životní cyklus strojového učení připraveného pro produkční prostředí ve velkém měřítku.
Studie Total Economic ImpactTM (TEI) společnosti Forrester
Studie TEI (Total Economic ImpactTM ) společnosti Forrester Consulting, kterou si zadal Microsoft, zkoumá potenciální návratnost investic (ROI), kterou 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 Operace strojového učení (MLOps)
Zrychlete proces vytváření, trénování a nasazování modelů ve velkém.
White paper strojového učení s podporou Azure Arc
Naučte se vytvářet, trénovat a nasazovat modely v libovolné infrastruktuře.
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 zajišťuje dobu provozu na úrovni 99,9 procent.
-
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.