Služba Azure Machine Learning

Zrychlete kompletní životní cyklus strojového učení

  • TAL
  • Asos
  • Elastacloud
  • Wipro
  • Cognizant

Přehled

Zjednodušte a zrychlete vytváření, trénování a nasazování modelů strojového učení. Využijte automatizované strojové učení, které vám pomůže rychleji identifikovat vhodné algoritmy a ladit hyperparametry. Zlepšete produktivitu a snižte náklady díky automatickému škálování výpočetního výkonu a strojovému učení s využitím DevOps. Bezproblémově nasazujte v cloudu a na hraničních zařízeních jedním kliknutím. Ke všem těmto funkcím můžete přistupovat z oblíbeného prostředí Pythonu s využitím nejnovějších opensourcových architektur, jako jsou PyTorch, TensorFlow a scikit-learn.

Proč zvolit službu Azure Machine Learning?

Produktivita

Vytvářejte a trénujte modely rychleji díky automatizovanému strojovému učení, automatickému škálování výpočetního výkonu cloudu a integrovanému DevOps.

Otevřenost

Službu Azure Machine Learning můžete používat v jakémkoli prostředí Pythonu a s vašimi oblíbenými architekturami a nástroji.

Důvěryhodnost

Zlepšete připravenost pro velké firmy s využitím funkcí dodržování předpisů, podpory virtuálních sítí a zabezpečení Azure.

Hybridnost

Vytvářejte, trénujte a nasazujte modely v místním prostředí, v cloudu i na hraničních zařízeních.

Možnosti služby Azure Machine Learning

Automatizované strojové učení

Identifikujte rychleji vhodné algoritmy a hyperparametry.

Spravované výpočetní prostředky

Jednoduše trénujte modely a snižte náklady díky automatickému škálování výkonných clusterů GPU.

DevOps pro strojové učení

Zvyšte produktivitu s využitím sledování experimentů, správy a monitorování modelů, integrovaného CI/CD a kanálů strojového učení.

Snadné nasazení

Nasazujte modely v místním prostředí, v cloudu a na hraničních zařízeních pomocí několika řádků kódu.

Sada Python SDK nezávislá na nástrojích

Služba Azure Machine Learning se integruje s jakýmkoli prostředím Pythonu, včetně editoru Visual Studio Code, poznámkových bloků Jupyter a PyCharmu.

Podpora opensourcových architektur

Používejte oblíbené nástroje a architektury strojového učení, jako jsou PyTorch, TensorFlow a scikit-learn.

Jak používat službu Azure Machine Learning

Krok 1 z 3

Krok 1: Vytvoření pracovního prostoru

Nainstalujte si sadu SDK do oblíbeného prostředí Pythonu a vytvořte si pracovní prostor pro ukládání výpočetních prostředků, modelů, nasazení a historií spouštění v cloudu.

Krok 2 z 3

Krok 2: Sestavení a trénování

Identifikujte rychleji vhodné algoritmy a hyperparametry s využitím libovolných architektur a možností automatizovaného strojového učení. Sledujte experimenty a získejte snadno přístup k výkonným GPU v cloudu.

Krok 3 z 3

Krok 3: Nasazení a správa

Nasaďte modely do cloudu nebo hraničního zařízení a využijte hardwarově urychlené modely v programovatelných hradlových polích (FPGA), která nabízejí mimořádně rychlé odvozování. Jakmile bude váš model v produkčním prostředí, můžete monitorovat jeho výkon a odchylky dat a v případě potřeby ho přetrénovat.

Související produkty a služby

Azure Databricks

Rychlá a snadná analytická platforma založená na Apache Spark podporující spolupráci

Machine Learning Studio

Snadné vytváření, nasazování a správa řešení prediktivní analýzy

Cognitive Services

Přidejte inteligentní funkce rozhraní API, které umožňují kontextové interakce.

Virtuální počítače pro vědecké zpracování dat

Bohaté předem nakonfigurované prostředí pro vývoj AI

Začněte dělat lepší rozhodnutí s využitím služby Azure Machine Learning