Azure Machine Learning
Professionel tjeneste til maskinel indlæring til hurtig udvikling og udrulning af modeller
Opret forretningskritiske modeller til maskinel indlæring i stor skala
Giv dataeksperter og udviklere mulighed for trygt at oprette, udrulle og administrere modeller i høj kvalitet. Få hurtigere værdi for pengene med brancheførende MLOps (handlinger til maskinel indlæring), interoperabilitet med åben kildekode og integrerede værktøjer. Skab innovative produkter på en sikker og pålidelig platform, der er designet til ansvarlig maskinel indlæring.
Byg og oplær hurtigt modeller
Brug Studio-udviklingsoplevelsen til at få adgang til integrerede værktøjer og den bedste support i klassen til strukturer og biblioteker med åben kildekode.
Operationaliser i stor skala
Udrul modeller med et enkelt klik, og administrer og styr dem effektivt med MLOps.
Levér ansvarlige løsninger
Forstå og beskyt data og modeller, byg retfærdige modeller, og sørg for at sikre modellens kvalitet.
Skab innovative produkter på en sikrere hybridplatform
Kør arbejdsbelastninger med maskinel indlæring overalt med indbygget styring, sikkerhed og overholdelse af angivne standarder.
Op til 3 gange investeringsafkastet på projekter med maskinel indlæring
70 % færre trin til oplæring af modeller
90 % færre linjer kode for pipelines
60 certificeringer til overholdelse af angivne standarder
Den eneste platform med PyTorch Enterprise
Support for the end-to-end machine learning (ML) lifecycle
Data labeling
Label training data and manage labeling projects.
Data preparation
Integrate with analytics engines for data exploration and preparation.
Datasets
Access data and create and share datasets.
Notebooks
Use collaborative Jupyter notebooks with attached compute.
Automated ML
Automatically train and tune accurate models.
Drag-and-drop designer
Design with drag-and-drop development interface.
Experiments
Run experiments and create and share custom dashboards.
Visual Studio Code and GitHub
Use familiar tools and switch easily from local to cloud training.
Compute 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.
Monitor and analyze
Track, log, and analyze data, models, and resources.
Data drift
Detect drift and maintain model accuracy.
Error analysis
Debug models and optimize model accuracy.
Audit
Trace ML artifacts for compliance.
Policies
Leverage built-in and custom policies for compliance management.
Security
Enjoy continuous monitoring with Azure Security Center.
Control costs
Apply quota management and automatic shutdown.
Få hurtigere værdi for pengene med hurtig og præcis modeludvikling
Øg produktiviteten med udviklingsprogrammet Studio, der understøtter alle opgaver med maskinel indlæring til at bygge, oplære og udrulle modeller. Samarbejd med Jupyter-notesbøger ved hjælp af indbygget understøttelse af populære strukturer og biblioteker med åben kildekode. Opret hurtigt præcise modeller med automatiseret maskinel indlæring ved hjælp af udvikling af funktioner og egenskaber til oprydning af hyperparametre. Få adgang til fejlfindingsprogram, profileringsværktøj og forklaringer, der kan bruges til at forbedre modellens ydeevne, når den oplæres. Brug komplet Visual Studio Code-integration, så du nemt kan gå fra lokal oplæring til cloudoplæring og automatisk skalere med effektive cloudbaserede CPU- og GPU-klynger.
Operationaliser i stor skala med handlinger til maskinel indlæring (MLOps)
Strømlin udrulningen og administrationen af tusindvis af modeller i det lokale miljø, i grænsemiljøer og i multicloudmiljøer ved hjælp af MLOps. Udrul og vurder modeller hurtigere med fuldt administrerede slutpunkter for batch og forudsigelser i realtid. Brug pipelines, der kan gentages, til at automatisere arbejdsprocesser for løbende integration og levering (CI/CD). Overvåg målepunkter for modelydeevne løbende, registrer dataflow, og udløs genoplæring for at forbedre modellens ydeevne. Gennem hele livscyklussen kan du endda aktivere overvågning og styring med sporing og dataafstamning for alle ML-artefakter, der er klar til brug.
Opret ansvarlige løsninger til maskinel indlæring
Få adgang til brancheførende ansvarlig maskinel indlæring for at øge modellens gennemsigtighed og forbedre pålideligheden. Forstå modeller ved hjælp af visualiseringer, der er klar til brug, og brug What If-analyser til at bestemme en funktions indvirkning på forudsigelser. Del graferne med modelforklaringer med dit team for at sikre overholdelse af angivne standarder. Brug avancerede algoritmer til at teste modeller for problemer med retfærdighed, sammenligne forskellige modeller og træffe foranstaltninger til at løse problemerne. Identificer og diagnosticer modelfejl med værktøjet til fejlanalyse for at forbedre modellens nøjagtighed.
Skab innovative produkter på en hybridplatform, der er mere sikker og kompatibel
Øg sikkerheden på tværs af livscyklussen for maskinel indlæring med omfattende funktioner, der strækker sig over identitet, godkendelse, data, netværk, overvågning, styring og overholdelse af angivne standarder. Opret mere sikre løsninger med maskinel indlæring ved hjælp af brugerdefineret rollebaseret adgangskontrol, virtuelle netværk, datakryptering, private slutpunkter og komplette private IP-adresser. Oplær og udrul modeller i det lokale miljø for at opfylde krav til datasuverænitet. Administrer styringen med indbyggede politikker, og strømlin overholdelsen af angivne standarder med en omfattende portefølje, der strækker sig over 60 certificeringer, herunder FedRAMP High og HIPAA.
Opbyg dine færdigheder inden for maskinel indlæring med Azure
Få mere at vide at vide om maskinel indlæring i Azure, og deltag i praktiske selvstudier med denne 30-dages læringsrejse. Til sidst vil du være klar til at tage certificeringen i Azure Data Scientist Associate.
Nøglefunktioner i tjenesten for hele livscyklussen til maskinel indlæring
Datamærkater
Opret, administrer og overvåg projekter for forsyning med mærkater, og automatiser gentagne opgaver til forsyning med mærkater, der er assisteret af maskinel indlæring.
Dataforberedelse
Udfør interaktiv forberedelse af data med PySpark ved hjælp af indbygget integration med Azure Synapse Analytics.
Samarbejdsnotesbøger
Maksimer produktiviteten med IntelliSense, nem beregning og skift af kerner samt offlineredigering af notesbog. Start din notesbog i Visual Studio Code for at få en omfattende udviklingsoplevelse, herunder sikker fejlfinding og support til Git-versionsstyring.
Automatiseret maskinel indlæring
Opret hurtigt præcise modeller til klassificering, regression og prognose for tidsserier. Brug fortolkning af modeller til at forstå, hvordan modellen blev oprettet.
Træk og slip maskinel indlæring
Brug værktøjer til maskinel indlæring som designer til datatransformation, oplæring og evaluering af modeller eller til nemt at oprette og udgive pipelines til maskinel indlæring.
Styrket læring
Skalér styrket indlæring for effektive beregningsklynger, understøt scenarier med flere agenter, og få adgang til algoritmer, strukturer og miljøer til styrket indlæring med åben kildekode.
Ansvarlig maskinel indlæring
Få modelgennemsigtighed ved træning og fornuftslutning med funktionalitet til fortolkning. Vurder retfærdigheden af modellen gennem forskelle i metrikværdier, og afhjælp uretfærdigheden. Gør modellen mere pålidelig, og identificer og diagnosticer modelfejl med værktøjet til fejlanalyse. Hjælp med at beskytte data med differentieret beskyttelse af personlige oplysninger.
Eksperimenteren
Administrer og overvåg kørsler, eller sammenlign flere kørsler til oplæring og eksperimenter. Opret brugerdefinerede dashboards, og del dem med dit team.
Modelregistrering og overvågningslog
Brug den centrale registreringsdatabase til at gemme og spore data, modeller og metadata. Registrer automatisk dataafstamning og styringsdata med en overvågningslog.
Git og GitHub
Brug Git-integration til at spore arbejde og til understøttelse af GitHub-handlinger for at implementere arbejdsprocesser til maskinel indlæring.
Administrerede slutpunkter
Brug administrerede slutpunkter til at idriftsætte udrulning af modeller og scoring, logge metrikværdier og udføre sikre modeludrulninger.
Automatisk skalering af beregning
Brug administreret beregning til at distribuere træning, og til hurtigt at teste, validere og udrulle modeller. Del CPU- og GPU-klynger på tværs af et arbejdsområde, og skaler automatisk for at imødekomme dine behov for maskinel indlæring.
Dyb integration med andre Azure-tjenester
Sæt fart på produktiviteten med indbygget integration med Power BI og tjenester såsom Azure Synapse Analytics, Azure Cognitive Search, Azure Data Factory, Azure Data Lake, Azure Arc, Azure Security Center og Azure Databricks.
Understøttelse af hybridcloudmiljøer og miljøer med flere clouds
Kør maskinel indlæring på eksisterende Kubernetes-klynger i det lokale miljø, i flere cloudmiljøer og på grænseenheder med Azure Arc. Brug agenten til maskinel indlæring med ét klik til at begynde at oplære modeller mere sikkert, uanset hvor dine data befinder sig.
Professionel sikkerhed
Opret og udrul mere sikkert modeller med netværksisolation og komplette Private IP-funktioner, rollebaseret adgangskontrol til ressourcer og handlinger, brugerdefinerede roller og administreret identitet til beregningsressourcer.
Omkostningsstyring
Sørg for, at it-afdelingen reducerer omkostningerne og kan administrere ressourceallokeringerne til beregningsinstanser bedre med kvotegrænser for arbejdsområde og ressourceniveau samt automatisk lukning.
Betal kun for det, du har brug for, uden forudbetaling
Beherskelse af Azure Machine Learning
Behersk professionelle teknikker til at skabe automatiserede og yderst skalerbare komplette modeller til maskinel indlæring og pipelines i Azure ved hjælp af TensorFlow, Spark og 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
Forrester nævner Microsoft Azure Machine Learning som førende i Forrester Wave™: Notesbogsbaseret forudsigende analyse og maskinel indlæring, Q3 2020.
Projekteret ROI-interval op til tre gange højere – Forrester Total Economic ImpactTM (TEI)
Forrester Total Economic Impact™ (TEI), der er en betalt undersøgelse foretaget af Forrester Consulting, indeholder en struktur til evaluering af den potentielle økonomiske indvirkning af Azure Machine Learning for organisationer.
Whitepaper om løsninger til maskinel indlæring til store virksomheder
Sådan giver du organisationer mulighed for at bygge sikre, skalerbare og billige løsninger til maskinel indlæring med Azure Machine Learning.
Whitepaper om ansvarlig maskinel indlæring
Værktøjer og metoder til at forstå, beskytte og administrere dine modeller.
Whitepaper om MLOps (handlinger til maskinel indlæring)
Fremskynd processen med at udvikle, oplære og udrulle modeller i stor skala.
Sådan bruger du Azure Machine Learning
Gå til din studio-weboplevelse
Opbyg og oplær
Udrul og administrer
Opret nye modeller, og gem dine beregningsmål, modeller, udrulninger, målepunktsværdier og kørselshistorik i cloudmiljøet.
Brug automatiseret maskinel indlæring, så du kan identificere algoritmer og hyperparametre samt spore eksperimenter i cloudmiljøet. Opret modeller ved hjælp af notesbøger eller træk og slip-designeren.
Udrul din model til maskinel indlæring i cloudmiljøet eller på grænseenheden, overvåg ydeevnen, og genoplær den efter behov.
Ressourcer
Selvstudier for begyndere
Avancerede selvstudier
Udvalgte videoer
- Færdigbyggede Docker-billeder til fornuftslutning i Azure Machine Learning
- Administrerede slutpunkter
- PyTorch Enterprise i Microsoft Azure
- Kør Machine Learning hvor som helst
- Nyheder i Azure Machine Learning
- Demokratiser kunstig intelligens med Azure Machine Learning-designer
- Få mere at vide om, hvordan du bliver mester i maskinel indlæring ved hjælp af AutoML
- Rediger og kør Jupyter-notesbøger uden at forlade Azure Machine Learning Studio
- Gennemgang af MLOps-funktion: Administrer aktiver, artefakter og kode
- Ansvarlig maskinel indlæring: Introduktion til og analyse af dine modeller
- Øg din produktivitet med datamærkater i Azure Machine Learning
Flere ressourcer
Kom i gang med at bruge Azure Machine Learning i dag
Få øjeblikkelig adgang og en kredit på $200 ved at tilmelde dig en gratis Azure-konto.
Log på Azure Portal.
Udforsk dokumentation og selvstudier, og gennemse introduktioner og udviklerressourcer.
Kunder, der bruger Azure Machine Learning
Bikram Virk, Product Manager, AI and 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, Product Manager and Group Leader, 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, Lead Data Scientist, 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, Senior Director of 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."
Gør livet nemmere for togpassagererne
DB Systel – som er den digitale partner for tyske Deutsche Bahn – udviklede en løsning ved navn Digital Guide Dog for at hjælpe passagererne. Med Microsoft Azure Machine Learning tager det kun nogle få timer at oplære en ny model ved hjælp af neurale netværk.
Azure Machine Learning – opdateringer, blogge og meddelelser
Ofte stillede spørgsmål om Azure Machine Learning
-
Tjenesten er generelt tilgængelig i flere lande/områder, og der kommer flere til.
-
Serviceniveauaftalen (SLA) til Azure Machine Learning er på 99,9 % oppetid.
-
Det tilhørende studio til Azure Machine Learning er ressourcen på øverste niveau for Machine Learning. På den måde får dataanalytikere og udviklere et centraliseret sted til at arbejde med alle artefakterne til udvikling, oplæring og udrulning af modeller til maskinel indlæring.