Přeskočit navigaci

Služba Azure Machine Learning

Vytváření a trénování modelů a jejich nasazování z cloudu do hraničních zařízení

Oznámení

  • 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

SQL Data Warehouse

Elastický datový sklad jako služba s funkcemi na podnikové úrovni

Virtuální počítače pro vědecké zpracování dat

Bohaté předem nakonfigurované prostředí pro vývoj AI

Začněte dělat lepší rozhodnutí s využitím služby Azure Machine Learning