Azure Machine Learning
Použijte služby na podnikové úrovni pro komplexní životní cyklus strojového učení
Sestavování důležitých modelů strojového učení ve velkém měřítku
Umožněte datovým vědcům a vývojářům rychleji a s jistotou vytvářet, nasazovat a spravovat vysoce kvalitní modely. Snižte dobu dosažení hodnoty díky špičkovým operacím strojového učení (MLOps), opensourcové interoperabilitě a integrovaným nástrojům. Inovujte na bezpečné a důvěryhodné platformě určené pro zodpovědné aplikace AI v oblasti strojového učení.
Rychlé kompilování a trénování modelů
Pomocí vývojového prostředí studia získáte přístup k integrovaným nástrojům a špičkové podpoře opensourcových architektur a knihoven.
Poskytování odpovědných řešení
Vyvíjejte modely s ohledem na spravedlnost a vysvětlitelnost, používejte je při nasazení zodpovědně a spravujte je tak, aby splňovaly požadavky na linearitu a soulad s auditem.
Zprovozňování ve velkém
MlOps umožňuje rychle a snadno nasazovat modely ML a efektivně je spravovat a řídit.
Inovace na bezpečnější hybridní platformě
Spouštění úloh strojového učení kdekoli s využitím integrované správy, zabezpečení a dodržování předpisů.
Až trojnásobná návratnost investic do projektů strojového učení
O 70 procent méně kroků při trénování modelů
O 90 procent méně řádků kódu pro kanály
60 certifikací dodržování předpisů
Jediná platforma s PyTorchem Enterprise
Podpora celého životního cyklu strojového učení
Popisování dat
Označujte trénovací data a spravujte projekty popisování.
Příprava dat
Použití s analytickými moduly pro zkoumání a přípravu dat.
Datové sady
Přístup k datům a vytváření a sdílení datových sad.
Poznámkové bloky
Používejte poznámkové bloky Jupyter pro spolupráci s připojenými výpočetními prostředky.
Automatizované strojové učení
Automaticky trénujte a laďte přesné modely.
Nástroj pro navrhování s podporou přetahování
Návrh s využitím vývojového rozhraní podporujícího přetahování.
Experimenty
Můžete spouštět experimenty a vytvářet a sdílet vlastní řídicí panely.
Rozhraní příkazového řádku
Zrychlete proces trénování modelu při vertikálním navýšení a navýšení kapacity výpočetních prostředků Azure.
Visual Studio Code a GitHub
Používejte známé nástroje a snadno přecházejte z místního trénování k trénování v cloudu.
Výpočetní instance
Vyvíjejte ve spravovaném a zabezpečeném prostředí s cloudovými procesory, procesory GPU a clustery s obrovským výpočetním výkonem.
Opensourcové knihovny a architektury
K dispozici budete mít integrovanou podporu pro Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib a další nástroje.
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
Umožňuje získat přístup k imagím kontejnerů s architekturami a knihovnami 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 modelů.
Analýza chyb
Laďte modely a optimalizujte přesnost modelů.
Auditování
Sledujte artefakty strojového učení kvůli dodržování předpisů.
Zásady
Pro správu dodržování předpisů používejte integrované a vlastní zásady.
Zabezpečení
Využívejte průběžné monitorování pomocí systému Azure Security Center.
Řízení nákladů
Používejte správu kvót a automatické vypínání.
Rychlejší zhodnocení díky rychlému a přesnému vývoji modelů
Zlepšete produktivitu díky možnosti studia, což je vývojové prostředí podporující všechny úlohy strojového učení, které umožňuje sestavovat, trénovat a nasazovat modely. Spolupracujte s Jupyter Notebooks pomocí integrované podpory populárních open-source frameworků a knihoven. Vytvářejte rychle přesné modely pomocí automatizovaného strojového učení s využitím možností návrhu funkcí a prohledávání hyperparametrů. Získejte přístup k ladicímu nástroji, profileru a vysvětlivkám, abyste mohli zlepšovat výkonnost modelů při jejich trénování. Pomocí hlubokého kódu Visual Studio Code můžete plynule přecházet z lokálního na cloudové školení a automaticky škálovat s výkonnými cloudovými clustery CPU a GPU.
Zprovoznění ve velkém měřítku s využitím operací strojového učení (MLOps)
Zjednodušte nasazení a správu tisíců modelů místně, na hraničních zařízeních a v multicloudových prostředích pomocí MLOps. Nasazujte a hodnoťte modely ML 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. Průběžně monitorujte metriky výkonu modelu, zjišťujte posun dat a aktivujte opakované trénování, aby se zlepšil výkon modelu. V průběhu celého životního cyklu umožněte auditovatelnost a správu díky integrovanému sledování a historii všech artefaktů strojového učení.
Poskytování zodpovědných řešení strojového učení
Vyhodnocujte modely strojového učení pomocí reprodukovatelných a automatizovaných pracovních postupů pro hodnocení spravedlnosti modelu, vysvětlitelnosti, analýzy chyb, analýzy příčin, výkonnosti modelu a průzkumné analýzy dat. Provádějte reálné zásahy a politiky s analýzou příčin v odpovědném panelu AI a generujte hodnotící tabulku v době nasazení. Exportujte přehled výkonnostních metrik do PDF, abyste kontextualizovali metriky odpovědné AI, a sdílejte jej s technickým i netechnickým publikem, abyste zapojili zúčastněné strany a zefektivnili kontrolu souladu.
Inovace na hybridní platformě, která je bezpečnější a kompatibilní
Zvyšte zabezpečení v rámci celého životního cyklu strojového učení díky komplexním funkcím zahrnujícím identity, ověřování, data, sítě, monitorování, zásady správného řízení a dodržování předpisů. Vytvářejte bezpečnější řešení strojového učení s využitím vlastního řízení přístupu na základě rolí, virtuálních sítí, šifrování dat, privátních koncových bodů a komplexních privátních IP adres. Trénujte a nasazujte modely v místním prostředí, aby byly splněny požadavky na suverenitu dat. Spravujte zásady správného řízení pomocí integrovaných zásad a zefektivněte si dodržování předpisů s využitím komplexního portfolia, které zahrnuje 60 certifikací, včetně FedRAMP vysoké úrovně a HIPAA.
Posílení znalostí strojového učení s využitím Azure
Zjistěte více o strojovém učení na platformě Azure a zúčastněte se praktických výukových programů v rámci 30denní vzdělávací cesty. Na jeho konci budete připraveni složit certifikaci Azure Data Scientist Associate.
Klíčové možnosti služby pro celý životní cyklus strojového učení
Popisování dat
Popisování s podporou strojového učení umožňuje vytvářet, spravovat a monitorovat projekty popisování a automatizovat iterativní úlohy.
Příprava dat
Provádějte interaktivní přípravu dat pomocí PySparku s využitím 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, předpovídání časových řad, úlohy zpracování přirozeného jazyka a úlohy počítačového vidění. Pomocí interpretovatelnosti modelu můžete pochopit, jak byl model vytvořen.
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.
Zodpovědné strojové učení
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.
Registr modelů a záznam pro audit
Využijte centrální registr k ukládání a sledování dat, modelů a metadat. Automaticky zachytávejte rodokmen dat a data zásad správného řízení pomocí 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
Využijte spravované výpočetní prostředky k distribuci trénování a rychlému testování, ověřování a nasazování modelů. Sdílejte clustery CPU a GPU v rámci pracovního prostoru a automaticky je škálujte s ohledem na vaše požadavky na strojové učení.
Interoperabilita s ostatními službami Azure
Zvyšte produktivitu pomocí Microsoft Power BI a služeb, 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 bezpečněji trénovat modely, ať už 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 přidělování prostředků pro výpočetní instance pomocí limitů kvót na úrovni pracovních prostorů a prostředků a automatického vypínání.
Průvodce strojovým učením Azure
Naučte se odborné techniky pro vytváření kompletně automatizovaných a vysoce škálovatelných modelů strojového učení a kanálů v Azure s využitím TensorFlow, Sparku a Kubernetes.
Technický dokument white paper MLOps
Objevte systematický přístup k vytváření, nasazování a monitorování řešení strojového učení pomocí MLOps. Rychle vytvářejte, testujte a spravujte životní cykly strojového učení připravené k produkci ve velkém měřítku.
Zpráva Forrester WaveTM 2020
Podívejte se, proč Forrester označil Azure Machine Learning za lídra v žebříčku The Forrester WaveTM: Notebook-Based Predictive Analytics And Machine Learning, Q3 2020.
Studie celkového ekonomického dopadu ForresterTM (TEI)
Studie Forrester Consulting Total Economic ImpactTM (TEI), kterou si nechal vypracovat Microsoft, zkoumá potenciální návratnost investic (ROI), které 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 pro operace strojového učení (MLOps)
Zrychlete proces sestavování, trénování a nasazování modelů ve velkém měřítku.
Dokument white paper o strojovém učení r s podporou Azure Arc
Naučte se vytvářet, trénovat a nasazovat modely v jakékoli infrastruktuře.
Komplexní zabezpečení a dodržování předpisů, integrované
-
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.
Používání Azure Machine Learning
Přejít do webového prostředí studia
Sestavení a trénování
Nasazení a správa
Můžete vytvářet nové modely a ukládat výpočetní cíle, modely, nasazení, metriky a historii běhů 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.
Plaťte jenom za to, co opravdu potřebujete, bez počátečních nákladů
Začínáme s bezplatným účtem Azure
Spustit bezplatnou zkušební verzi. 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.
Zákazníci využívající Azure Machine Learning
Nic Bourven, ředitel informačních technologií, AXA UK"We make it our mission to try new ideas and go beyond to differentiate AXA UK from other insurers. We see managed endpoints in Azure Machine Learning as a key enabler for our digital ambition."
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."
Dr. Deepa Kasinathan, produktová manažerka a vedoucí skupiny, Robotron Datenbank-Software GmbH"The end-to-end pipeline (built with Azure Machine Learning) has all the features needed to develop and maintain machine learning models throughout their lifecycles."
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."
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."
Usnadnění života cestujících v železniční dopravě
DB Systel, partner německé železniční společnosti Deutsche Bahn, vyvinula řešení Digital Guide Dog, které pomáhá cestujícím. Pomocí strojového učení Azure trvá vycvičení nového modelu pomocí neurálních sítí jen několik hodin.
Azure Machine Learning prostředky
Kurzy pro začátečníky
- Začínáme se strojovým učením a sadou Python SDK
- Začínáme s aplikacemi Jupyter Notebook
- Začněte používat automatizované strojové učení
- Použití návrhářského nástroje pro strojové učení podporující přetahování
- Trénování modelů pomocí rozhraní příkazového řádku
- Trénování modelu s využitím rozšíření pro Visual Studio Code
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
- Automatické trénování modelu detekce objektů
- Automatické trénování modelu zpracování přirozeného jazyka
- Prozkoumejte příklady automatizovaného strojového učení Jupyter Notebook na GitHubu
Doporučená videa
- Předem připravené image Dockeru pro odvozování
- Spravované koncové body
- PyTorch Enterprise v Azure
- Spouštění modelů strojového učení kdekoli
- Demokratizace umělé inteligence pomocí návrháře strojového učení
- Zjistěte, jak se stát hrdinou strojového učení
- studio Azure Machine Learning poznámkové bloky
- Správa prostředků, artefaktů a kódu
- Začínáme a analýza modelů
- Zvyšte svou produktivitu pomocí označování dat
Aktuality, blogy a oznámení týkající se Azure Machine Learning
-
AKTUALIZACE
Public preview: Azure Machine Learning updates
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 je 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.