K dispozici jsou nové funkce služby Azure Machine Learning ve verzi Preview

K funkcím patří:

• Open Datasets – Open Datasets představuje kolekci datových sad z veřejné sféry, které mají za úkol urychlit vývoj modelů strojového učení vytvářených v Azure. Open Datasets umožňuje integraci s nástrojem Machine Learning Studio nebo přístup z poznámkových bloků v Pythonu v rámci služby Azure Machine Learning. Funkce Azure Open Datasets nabízí kvalitní data z veřejné sféry, která se často obtížně shánějí a pojí se s nimi nákladná správa. Odborníci na data tak můžou být produktivnější a místo přípravy dat se soustředit na vytváření modelu.
• Vizuální rozhraní: Nové vizuální rozhraní Azure Machine Learning přidává do služby Azure Machine Learning možnost přetahování v rámci pracovního postupu. Zjednodušuje proces vytváření, testování a nasazování modelů strojového učení pro zákazníky, kteří dávají přednost vizuálnímu prostředí před zobrazením kódu. Tato integrace přináší spojení toho nejlepšího z nástroje ML Studio a služby AML. Díky přetahování můžou odborníci na data rychle vytvořit model bez kódování. Kromě toho nástroj poskytuje odborníkům na data dostatečnou flexibilitu pro jemné vyladění modelu. Základní platforma tvořená službou AML zajišťuje veškerou škálovatelnost, zabezpečení a možnosti ladění, které v nástroji ML Studio chybí. Snadné nasazení ve vizuálním rozhraní umožňuje jednoduché vytvoření souboru score.py a imagí. Vytrénovaný model se dá pouhými pár kliknutími nasadit do libovolného clusteru AKS spojeného se službou AML.
• Automatizované strojové učení – uživatelské prostředí:
  • Nasazení jako webové služba pro predikci na základě nových dat
  • Získání nejlepšího modelu pro klasifikaci, regresi nebo prognózování problémů pouhými pár kliknutími
  • Analýza vygenerovaných modelů
  • Neprofesionální odborníci na data: Generování modelů strojového učení bez nutnosti psát kód v Pythonu (nebo jakýkoli jiný typ kódu) Odborníci na data: Rychlé zkoumání a generování stovek modelů a následná optimalizace těch nejlepších v poznámkovém bloku Jupyter
• Virtuální počítače poznámkového bloku: V polovině dubna přejde Azure Machine Learning do privátní verze Preview s hostovanou službou poznámkového bloku a očekáváme, že v květnu proběhne uvedení veřejné verze Preview. Hostované poznámkové bloky poskytují prostředí zaměřené na kód, ve kterém můžou uživatelé provádět všechny operace podporované sadou Azure Machine Learning Python SDK pomocí známého poznámkového bloku Jupyter. Hostované poznámkové bloky zjednodušují zahájení práce tím, že poskytují zabezpečené podnikové prostředí pro uživatele strojového učení. V privátní verzi Preview budou mít zákazníci tyto možnosti: přístup k poznámkovému bloku integrovanému do pracovního prostoru Azure ML, použití předem nakonfigurovaných poznámkových bloků Azure ML, které nevyžadují žádné nastavení, plné přizpůsobení virtuálních počítačů poznámkových bloků včetně možnosti přidávat balíčky a ovladače.

​V pracovním prostoru Azure Machine Learning teď můžete používat MLflow k protokolování metrik a artefaktů z cyklů trénování v centralizovaném, zabezpečeném a škálovatelném umístění. Sledování pomocí MLflow se dá provádět z místního počítače, virtuálního počítače nebo vzdáleného výpočetního prostředí.

• Data Box Edge s FPGA: Pole FPGA představují možnost odvozování strojového učení založenou na hardwarové architektuře od Microsoftu s názvem Project Brainwave. Odborníci na data a vývojáři můžou používat FPGA ke zrychlení výpočtů AI v reálném čase. Tyto modely s hardwarovou akcelerací jsou teď všeobecně dostupné v cloudu společně s verzí Preview modelů nasazených do Data Box Edge. Pole FPGA nabízejí výkon, flexibilitu a škálování a jsou dostupná jenom ve službě Azure Machine Learning. Umožňují dosáhnout nízké latence u požadavků na odvozování v reálném čase, takže snižují potřebu asynchronních požadavků (dávkování).