Operace strojového učení (MLOps)
Urychlení automatizace, spolupráce a reprodukovatelnosti pracovních postupů strojového učení
Zjednodušené nasazování a správa tisíců modelů napříč produkčními prostředími, od místního až po hraniční prostředí
Plně spravované koncové body pro dávkové predikce a predikce v reálném čase pro rychlejší nasazování a hodnocení modelů
Opakovatelné kanály k automatizaci pracovních postupů strojového učení pro kontinuální integraci a průběžné doručování (CI/CD)
Průběžně monitoruje metriky výkonu modelů, zjišťuje posun dat a aktivuje opětovné trénování za účelem zlepšení výkonu modelu.
Rychlé zavádění inovací
MLOps – operace strojového učení neboli DevOps pro strojové učení – představuje spojení lidí, procesů a platforem s cílem získat obchodní hodnotu ze strojového učení. Zefektivňuje vývoj a nasazování prostřednictvím monitorování, ověřování a řízení modelů strojového učení.

Vytvářejte pracovní postupy a modely strojového učení
Pomocí datových sad a bohatých registrů modelů můžete sledovat prostředky. Povolte vylepšenou sledovatelnost díky sledování kódu, dat a metrik v historii spuštění. Vytvářejte kanály strojového učení, které umožní návrh, nasazení a správu reprodukovatelných pracovních postupů modelů pro konzistentní doručování modelů.
Snadné nasazování vysoce přesných modelů kdekoli
Nasazujte rychle a s jistotou. Pomocí spravovaných online koncových bodů můžete nasazovat modely na různých počítačích s výkonnými procesory, aniž byste museli spravovat základní infrastrukturu. Rychle vytvářejte balíčky modelů a zajistěte vysokou kvalitu při každém kroku pomocí nástrojů pro profilaci a ověřování modelů. Využijte řízené zavádění k propagaci modelů do produkčního prostředí.
Efektivní správa celého životního cyklu strojového učení
Využijte integrovanou interoperabilitu s Azure DevOps a GitHub Actions pro bezproblémovou správu a automatizaci pracovních postupů. Optimalizujte trénování modelů a kanály nasazení, sestavujte pro CI/CD pro usnadnění opětovného trénování a snadné začlenění strojového učení do stávajících procesů vydávání. Využijte pokročilou analýzu posunu dat ke zlepšení výkonu modelů v průběhu času.
Dodržování zásad správného řízení napříč prostředky
Sledujte historii verzí modelů a rodokmeny pro zajištění auditovatelnosti. Nastavte kvóty pro výpočetní prostředky a použijte zásady, které zajistí dodržování standardů zabezpečení, ochrany osobních údajů a předpisů. Využijte pokročilé funkce ke splnění cílů zásad správného řízení a k podpoře transparentnosti a nestrannosti modelů.
Výhody interoperability s MLflow
Vytvářejte flexibilní a bezpečnější koncové pracovní postupy strojového učení s využitím MLflow a Azure Machine Learning. Využijte možnost bezproblémového škálování stávajících úloh od místního spuštění až po inteligentní cloud a hraniční zařízení. Ukládejte experimenty MLflow, spouštějte metriky, parametry a artefakty modelu v centralizovaném pracovním prostoru Azure Machine Learning.
Urychlení spolupráce MLOps napříč pracovními prostory
Usnadněte spolupráci mezi pracovními prostory a MLOps využitím registrů. Hostujte prostředky strojového učení v centrálním umístění a zpřístupněte je všem pracovním prostorům ve vaší organizaci. Propagujte, sdílejte a objevujte modely, prostředí, komponenty a datové sady napříč týmy. Opakovaně používejte kanály a nasazujte modely vytvořené týmy v jiných pracovních prostorech při současném zachování rodokmenu a sledovatelnosti.
Centrum prostředků
Zobrazit operace strojového učení v akci
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.
Začínáme s bezplatným účtem Azure
Začněte zdarma. 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.
Podívejte se, jak zákazníci předávají hodnotu pomocí operací strojového učení.
FedEx
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."

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, vedoucí odborník na data, 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, 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."

Další zdroje informací o MLOps
Začínáme
Vzdělávání
Ucelený studijní program MLOpsBlog
- Sjednocení MLOps v Microsoftu
- Koncepty modelu vyspělosti MLOps
- Azure Machine Learning vyniká v připravenosti pro podniky
- Umění testování systémů strojového učení
- Testování robustnosti systémů strojového učení
- Testování škálovatelnosti systémů strojového učení
- Testování zabezpečení systémů strojového učení