Přeskočit navigaci

Operace strojového učení (MLOps)

Funkce služby Azure Machine Learning pro automatizaci a zrychlení životního cyklu strojového učení

MLOps pomáhá rychleji realizovat inovace

MLOps nebo DevOps pro strojové učení umožňují týmům odborníků na datové vědy a IT spolupracovat a urychlit tempo vývoje a nasazování modelů díky monitorování, ověřování a zásadám správného řízení modelů strojového učení.

Reprodukovatelnost trénování s rozšířeným sledováním datových sad, kódu, experimentů a prostředí v bohatém registru modelů.

Automatické škálování, výkonné spravované výpočetní prostředí, nasazení bez kódu a nástroje pro snadné trénování a nasazení modelů.

Efektivní pracovní postupy s funkcemi plánování a správy pro sestavování a nasazování pomocí průběžné integrace nebo průběžného nasazování (CI/CD).

Rozšířené možnosti, které pomáhají plnit cíle v oblasti zásad správného řízení a kontroly a podporují transparentnost modelů a spravedlivý přístup.

Centrum prostředků

Projděte si kompletní proces MLOps.

Využijte možnosti přístupu k doprovodným poznámkovým blokům, ukázkám kódu a dokumentaci.

Funkce MLOps zblízka: Správa prostředků, artefaktů a kódu

Funkce MLOps zblízka: Vytváření pracovních postupů strojového učení řízených událostmi – video na webu Microsoft Channel 9

Funkce MLOps zblízka: CI/CD s využitím GitHub Actions – video na webu Microsoft Channel 9

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 absolvování tohoto výukového plánu budete připraveni na certifikaci Azure Data Scientist Associate.

Další zdroje informací

MLOPs GitHub

Další příklady

Dokumentace k MLOPs

Přečtěte si dokumentaci

Podívejte se na MLOps v akci

Vytváření kanálů strojového učení pro návrh, nasazování a správu pracovních postupů modelů

Vytváření kanálů strojového učení pro návrh, nasazování a správu pracovních postupů modelů

Vytváření kanálů strojového učení pro návrh, nasazování a správu pracovních postupů modelů

Rychlé nasazování bez obav s využitím spravovaných distribuovaných clusterů pro odvozování s automatickým škálováním

Rychlé nasazování bez obav s využitím spravovaných distribuovaných clusterů pro odvozování s automatickým škálováním

Rychlé nasazování bez obav s využitím spravovaných distribuovaných clusterů pro odvozování s automatickým škálováním

Automatizace pracovních postupů strojového učení díky integraci s Azure DevOps a GitHub Actions

Automatizace pracovních postupů strojového učení díky integraci s Azure DevOps a GitHub Actions

Automatizace pracovních postupů strojového učení díky integraci s Azure DevOps a GitHub Actions

Vytváření lepších zásad správného řízení a správa nákladů napříč projekty strojového učení

Vytváření lepších zásad správného řízení a správa nákladů napříč projekty strojového učení

Vytváření lepších zásad správného řízení a správa nákladů napříč projekty strojového učení

Podívejte si, jak zákazníci s výhodou využívají MLOps

"Using the MLOps capabilities in Azure Machine Learning, we were able to increase productivity and enhance operations, going to production in a timely fashion and creating a repeatable process."

Vijaya Sekhar Chennupati, vědec zaměřený na aplikované využití dat, Johnson Controls
Johnson Controls