Azure Machine Learning
Služba na podnikové úrovni pro komplexní životní cyklus strojového učení
Sestavování důležitých modelů strojového učení ve velkém měřítku
Umožněte odborníkům na data a vývojářům vytvářet, nasazovat a spravovat vysoce kvalitní modely rychleji a s jistotou. Dosáhněte rychlejšího zhodnocení pomocí špičkových MLOps (operace strojového učení), opensourcové interoperability a integrovaných nástrojů. Inovujte na zabezpečené a důvěryhodné platformě navržené pro zodpovědné strojové učení.
Rychlé kompilování a trénování modelů
Pomocí vývojového prostředí studia získáte přístup k integrovaným nástrojům a špičkové podpoře opensourcových architektur a knihoven.
Zprovozňování ve velkém
Nasazení modelů jediným kliknutím a jejich efektivní správa a řízení s využitím MLOps.
Poskytování odpovědných řešení
Vysvětlení a ochrana dat a modelů, vytváření nestranných modelů a zlepšování jejich kvality.
Inovace na bezpečnější hybridní platformě
Spouštění úloh strojového učení kdekoli s využitím integrované správy, zabezpečení a dodržování předpisů.
Až třikrát vyšší návratnost investic u projektů ML
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
Support for the end-to-end machine learning (ML) lifecycle
Popisování dat
Label training data and manage labeling projects.
Příprava dat
Integrate with analytics engines for data exploration and preparation.
Datové sady
Access data and create and share datasets.
Poznámkové bloky
Use collaborative Jupyter notebooks with attached compute.
Automatizované strojové učení
Automatically train and tune accurate models.
Drag-and-drop designer
Design with drag-and-drop development interface.
Experimenty
Run experiments and create and share custom dashboards.
Visual Studio Code and GitHub
Use familiar tools and switch easily from local to cloud training.
Výpočetní instance
Develop in a managed and secure environment with cloud CPUs, GPUs, and supercomputing clusters.
Open-source libraries and frameworks
Get built-in support for Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib, and more.
Managed endpoints
Utilize one-click deployment for batch and real-time inference.
Pipelines and CI/CD
Automate machine learning workflows.
Pre-built images
Access container images with frameworks and libraries for inference.
Model repository
Share and track models and data.
Hybrid and multicloud
Train and deploy models on-premises and across multicloud.
Optimize models
Accelerate training and inference and lower costs with ONNX Runtime.
Monitorování a analýza
Track, log, and analyze data, models, and resources.
Posun dat
Detect drift and maintain model accuracy.
Analýza chyb
Debug models and optimize model accuracy.
Auditování
Trace ML artifacts for compliance.
Zásady
Leverage built-in and custom policies for compliance management.
Zabezpečení
Enjoy continuous monitoring with Azure Security Center.
Control costs
Apply quota management and automatic shutdown.
Rychlejší zhodnocení díky rychlému a přesnému vývoji modelů
Zlepšete produktivitu prostřednictvím studia. Toto vývojové prostředí podporuje všechny úlohy ML při vytváření, trénování a nasazování modelů. Spolupracujte s poznámkovými bloky Jupyter s využitím integrované podpory populárních opensourcových architektur a knihoven. Rychle vytvářejte přesné modely pomocí automatizovaného ML s využitím možností návrhu funkcí a prohledávání hyperparametrů. Využijte možnost přístupu k ladicímu programu, profileru a vysvětlivkám pro zlepšení výkonu modelů během trénování. Pomocí hluboké integrace s editorem Visual Studio Code můžete plynule přecházet z místního trénování na cloudové a automaticky škálovat s využitím výkonných cloudových clusterů 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 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. A v průběhu životního cyklu povolte audit a zásady správného řízení pomocí předem připraveného sledování a rodokmen pro všechny artefakty strojového učení.
Poskytování zodpovědných řešení strojového učení
Získejte přístup ke špičkovým možnostem odpovědné umělé inteligence, které zvyšují transparentnost modelů a zlepšují spolehlivost. K seznámení s modely můžete využít předem připravené vizualizace a pomocí citlivostních analýz určit dopad funkcí na predikce. Sdílejte grafy s vysvětlením modelu se svým týmem, abyste zajistili dodržování předpisů. Použijte nejmodernější algoritmy k testování modelů z hlediska problémů s nestranností, porovnejte různé modely a přijměte opatření ke zmírnění případných problémů. Identifikujte a odlaďte chyby modelů pomocí sady nástrojů pro analýzu chyb a vylepšete jejich úspěšnost.
Inovace na hybridní platformě, která je bezpečnější a více vyhovuje předpisům
Zvyšte zabezpečení v rámci celého životního cyklu ML díky komplexním funkcím zahrnujícím identity, ověřování, data, sítě, monitorování, zásady správného řízení a dodržování předpisů. Vytvářejte bezpečnější řešení ML 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
Přečtěte si víc o strojovém učení v Azure a zapojte se do praktických kurzů v rámci tohoto 30denního výukového plánu. Po jeho absolvování budete připraveni na certifikaci Azure Data Scientist Associate.
Klíčové možnosti služby pro úplný 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, a to s využitím integrace se službou 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
Vytvářejte rychle přesné modely pro klasifikaci, regresi a prognózování časové řady. Využijte interpretovatelnost modelů k pochopení způsobu sestavení modelu.
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 ML.
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.
Úzká integrace s dalšími službami Azure
Zvyšte produktivitu díky předdefinované integraci s Power BI a službami, 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. Agent strojového učení, který se dá nasadit jedním kliknutím, umožňuje bezpečněji spouštět trénovací modely bez ohledu na to, kde jsou umístěná vaše data.
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
Umožněte IT snižovat náklady a lépe spravovat přidělení prostředků pro výpočetní instance s využitím limitů kvót na úrovni pracovního prostoru a prostředků a automatického vypnutí.
Plaťte jenom za to, co opravdu potřebujete, bez počátečních nákladů
Zvládnutí Azure Machine Learningu
Zvládnutí odborných technik pro vytváření kompletních automatizovaných a vysoce škálovatelných modelů strojového učení a kanálů v Azure s využitím TensorFlow, Sparku a Kubernetes
Engineering MLOps
Discover a systematic approach to building, deploying, and monitoring machine learning solutions with MLOps. Rapidly build, test, and manage production-ready machine learning life cycles at scale.
The Forrester WaveTM 2020
Společnost Forrester označila Microsoft Azure Machine Learning jako lídra, a to ve zprávě The Forrester Wave™: Prediktivní analýza a strojové učení na základě poznámkových bloků za 3. čtvrtletí 2020.
Až třikrát vyšší předpokládaná návratnost investic – studie Forrester Total Economic ImpactTM (TEI)
Studie Forrester Total Economic Impact™ (TEI), kterou na objednávku provedla společnost Forrester Consulting, poskytuje rámec pro vyhodnocení potenciálního finančního dopadu služby Azure Machine Learning na organizace.
Dokument white paper Řešení strojového učení se škálováním na podnikové úrovni
Umožněte organizacím vytvářet bezpečná, škálovatelná a spravedlivá řešení strojového učení s využitím Azure Machine Learningu.
Dokument white paper Zodpovědná umělá inteligence
Nástroje a metody pro pochopení, ochranu a řízení modelů
Dokument white paper Operace strojového učení (MLOps)
Zrychlete proces vytváření, trénování a nasazování modelů ve velkém.
Používání Azure Machine Learning
Přejít do webového prostředí studia
Sestavení a trénování
Nasazení a správa
Vytvářejte nové modely a ukládejte cílové výpočetní objekty, modely, nasazení, metriky a historie spuštění 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.
Prostředky
Kurzy pro začátečníky
Pokročilé kurzy
Doporučená videa
- Předem sestavené image Dockeru pro odvozování ve službě Azure Machine Learning
- Spravované koncové body
- PyTorch Enterprise na platformě Microsoft Azure
- Spouštění modelů strojového učení kdekoli
- Novinky ve službě Azure Machine Learning
- Demokratizace umělé inteligence s využitím designera služby Azure Machine Learning
- Jak se stát hrdinou ML s využitím AutoML
- Úprava a spouštění poznámkových bloků Jupyter bez opuštění studia Azure Machine Learning
- Funkce MLOps zblízka: Správa prostředků, artefaktů a kódu
- Zodpovědné strojové učení: Začínáme a analyzujeme vaše modely
- Zvýšení produktivity pomocí popisování dat ve službě Azure Machine Learning
Další zdroje
Začněte s Azure Machine Learning už dnes
Zaregistrujte si bezplatný účet Azure a získejte okamžitý přístup a kredit $200.
Přihlásit se na Azure Portal.
Podívejte se na dokumentaci a kurzy a projděte si rychlá zprovoznění a materiály pro vývojáře.
Zákazníci využívající Azure Machine Learning
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, digitální partner německé železniční společnosti Deutsche Bahn, vyvinul řešení nazvané Digital Guide Dog, které pomáhá cestujícím. Pomocí služby Microsoft Azure Machine Learning trvá trénink nového modelu s využitím neuronových sítí jen několik hodin.
Aktuality, blogy a oznámení týkající se Azure Machine Learning
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 zajišťuje dobu provozu na úrovni 99,9 procent.
-
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.