Sestavujte důležité modely strojového učení 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 učení umělé inteligence je navržená pro odpovědné aplikace AI ve strojovém učení.
Zhodnocení v kratší době
Sestavujte modely strojového učení s využitím výkonné infrastruktury umělé inteligence a řiďte pracovní postupy umělé inteligence s tokem instrukcí.
Spolupráce a zjednodušení MLOps
Rychlé nasazení, správa a sdílení modelů ML pro spolupráci mezi pracovními prostory a MLOps.
Vývoj s jistotou
Vestavěné řízení, zabezpečení a dodržování předpisů pro spouštění úloh strojového učení kdekoli.
Navrhujte odpovědně
Odpovědná AI pro vytváření vysvětlitelných modelů využívající rozhodnutí řízených daty pro zajištění transparentnosti a odpovědnosti.
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 AI.
Návrhář podporující 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 strojového učení 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
Nasazujte modely učení umělé inteligence pro dávkové odvozování a odvozování v reálném čase rychle a jednoduše.
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 strojového učení.
Hybridní a multicloudové
Trénujte a nasazujte modely v místním prostředí i napříč multicloudovými prostředími.
Optimalizované modely
Zrychlete trénování a odvozování a snižte náklady s využitím modulu runtime ONNX.
Registry
Sdílejte a objevujte modely a kanály napříč týmy ve vaší organizaci.
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 AI.
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 generativní AI
Orchestrace pracovních postupů AI
Zjednodušte návrh, hodnocení a nasazení velkých aplikací využívajících jazykové modely s tokem instrukcí. Jednoduše sledujte, rozmnožte, vizualizujte a zlepšete výzvy a toky napříč různými nástroji a prostředky. Přečtěte si další informace o generativní AI ve strojovém učení.
Spravovaná komplexní platforma
Zjednodušte celý životní cyklus velkých jazykových modelů 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.
Flexibilní nástroje a rozhraní
Vytvářejte modely hlubokého učení v nástrojích jako Visual Studio Code a Jupyter Notebook za pomoci flexibilních architektur jako PyTorch nebo TensorFlow. Azure Machine Learning je kompatibilní s modulem ONNX Runtime a DeepSpeed a optimalizuje trénování a odvozování.
Špičkový výkon
Využijte účelovouinfrastrukturu AI navrženou tak, aby kombinovala nejnovější grafické procesory NVIDIA a síťová řešení InfiniBand s rychlostí až 400 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 sjednocenému studiovému prostředí. Vytvářejte, trénujte a nasazujte modely pomocí poznámkových bloků Jupyter Notebook s využitím integrované podpory opensourcových architektur a knihoven. Vytvářejte rychle modely prostřednictvím automatizovaného strojového učení pro tabulková, textová a obrazová data. Pomocí editoru Visual Studio Code můžete plynule přecházet z místního trénování na cloudové a automaticky škálovat s využitím infrastruktury Azure AI podporované platformou NVIDIA Quantum-2 InfiniBand. Navrhujte, hodnoťte a nasazujte své výzvy pro aplikace využívající jazykové modely díky toku instrukcí.
Spolupráce a zjednodušení správy modelů s využitím MLOps
Zjednodušte nasazení a správu tisíců modelů ve více prostředích pomocí MLOps. Nasazujte a hodnoťte modely strojového učení 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 a spravovaného uložiště funkcí. Průběžně monitorujte metriky výkonu modelu, zjišťujte posun dat a aktivujte opakované trénování, aby se zlepšil výkon modelu.
Vytváření řešení na podnikové úrovni na hybridní platformě
Integrované zásady správného řízení dat v Microsoft Purview se postarají o to, že zabezpečení v rámci životního cyklu strojového učení bude na prvním místě. Využijte výhod komplexních funkcí zabezpečení, které pokrývají identitu, data, sítě, monitorování a dodržování předpisů, a navíc jsou otestované a ověřené Microsoftem. 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 kdekoli, od místního prostředí po multicloudové, aby splňovaly požadavky na suverenitu dat. Spravujte dodržování předpisů s jistotou s využitím 60 certifikací, včetně FedRAMP vysoké úrovně a HIPAA.
Používání postupů odpovědné AI v průběhu celého životního cyklu
Vyhodnocujte modely strojového učení pomocí reprodukovatelných a automatizovaných pracovních postupů a posuďte nestrannost modelu, vysvětlitelnost, analýzu chyb, kauzální analýzu, výkon modelu a průzkumnou analýzu dat. Provádějte reálné zásahy pomocí kauzální analýzy na řídicím panelu odpovědné AI a generujte 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.
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
-
Příprava dat
Rychle iterujte při přípravě dat ve velkém měřítku na clusterech Apache Spark v rámci Azure Machine Learning, které jsou interoperabilní s Azure Databricks.
-
Úložiště funkcí
Zvyšte agilitu dodávání modelů tím, že zpřístupníte funkce napříč několika pracovními prostory a umožníte jejich opakované použití ve spravovaném úložišti funkcí.
-
Poznámkové bloky pro spolupráci
Spusťte poznámkový blok v Jupyter Notebook nebo ve 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 s automatizovaným strojovým učením.
-
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.
-
Odpovědná AI
Vytvářejte řešení odpovědné AI s funkcemi interpretovatelnosti. Posuzujte nestrannost modelů na základě metrik nekonzistence a zmírňujte nespravedlnosti.
-
Registry
Využijte úložiště pro celou organizaci k ukládání a sdílení modelů, kanálů, komponent a datových sad napříč několika pracovními prostory. Zachytávejte rodokmen dat a data zásad správného řízení pomocí funkce záznamu pro audit.
-
Spravované koncové body
Pomocí spravovaných koncových bodů můžete zprovoznit nasazení a vyhodnocení modelů, protokolovat metriky a provádět bezpečné uvádění modelů.
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.
-
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
Materiály o Azure Machine Learning
Pokročilé kurzy
- Trénování modelů strojového učení
- Model ladění hyperparametrů
- Kanály strojového učení se sadou Python SDK
- Trénování modelů klasifikace bez kódu
- Trénování regresních modelů bez kódu pomocí návrháře
- Monitorování a analýza úloh ve studiu
- Správa, nasazení a monitorování modelů
- Sestavování a provoz řešení strojového učení
- Komplexní operace strojového učení
- Trénování modelů náročných na výpočetní výkon
IDC MarketScape: Posouzení dodavatelů MLOps 2022
Zjistěte, jak podnikové organizace napříč obory využívají MLOps k překonání výzev implementace technologií AI a strojového učení.
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 Impact společnosti Forrester
Studie TEI (Total Economic Impact TM) 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 bezpečnější, škálovatelná a rovnoměrná řešení strojového učení.
Dokument white paper o odpovědné AI
Naučte se vytvářet bezpečnější, škálovatelná a rovnoměrná řešení strojového učení.
Dokument white paper o MLOps
Zrychlete proces vytváření, trénování a nasazování modelů ve velkém.
Dokument white paper o strojovém učení s podporou Azure Arc
Naučte se vytvářet, trénovat a nasazovat modely v libovolné infrastruktuře.
Nejčastější dotazy k Azure Machine Learningu
-
Tato služba je obecně dostupná v několika zemích/oblastech a další se připravují.
-
Smlouva SLA pro Azure Machine Learning zajišťuje 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.