Handlinger til maskinel indlæring (MLOps)
Sæt fart på automatisering, samarbejde og reproducerbarhed af arbejdsprocesser til maskinel indlæring
Strømlinet udrulning og administration af tusindvis af modeller på tværs af produktionsmiljøer fra det lokale miljø til grænseenheder
Fuldt administrerede slutpunkter til batch- og realtidsforudsigelser, så du hurtigere kan udrulle og score modeller
Pipelines, der kan gentages, for at automatisere arbejdsprocesser til maskinel indlæring med henblik på løbende integration/kontinuerlig levering (CI/CD)
Overvåger løbende målepunkter for modellens ydeevne, registrerer dataafvigelser og udløser genoplæring for at forbedre modellens ydeevne
Levér innovation hurtigt
MLOps—handlinger til maskinel indlæring eller DevOps til maskinel indlæring—er skæringspunktet mellem mennesker, processer og platforme til at opnå forretningsmæssig værdi fra maskinel indlæring. Den strømliner udvikling og udrulning via overvågning, validering og styring af modeller til maskinel indlæring.
Byg arbejdsprocesser og modeller til maskinel indlæring
Brug datasæt og omfattende modelregistreringsdatabaser til at spore aktiver. Aktivér forbedret sporing med sporing af kode, data og målepunkter i kørselshistorikken. Byg pipelines til maskinel indlæring for at designe, udrulle og administrere reproducerbare modelarbejdsprocesser for at opnå ensartet levering af modeller.
Udrul nemt meget præcise modeller overalt
Udrul hurtigt med ro i sindet. Brug administrerede onlineslutpunkter til at udrulle modeller på tværs af effektive CPU- og GPU-maskiner uden at skulle administrere den underliggende infrastruktur. Pak modeller hurtigt, og sørg for høj kvalitet i hvert trin ved hjælp af modelprofilerings- og valideringsværktøjer. Brug kontrolleret udrulning til at sætte modeller i produktion.
Administrer effektivt hele livscyklussen for maskinel indlæring
Drag fordel af indbygget interoperabilitet med Azure DevOps og GitHub Actions til problemfri administration og automatisering af arbejdsprocesser. Optimer modeltrænings- og udrulningspipelines, byg til CI/CD for at lette genoplæring, og tilpas nemt maskinel indlæring til dine eksisterende udgivelsesprocesser. Brug avanceret analyse af dataafvigelse til at forbedre modellens ydeevne over tid.
Opnå styring på tværs af aktiver
Spor modelversionshistorik og -afstamning for overvågning. Angiv beregningskvoter for ressourcer, og anvend politikker for at sikre overholdelse af standarder for sikkerhed, beskyttelse af personlige oplysninger og overholdelse af angivne standarder. Brug de avancerede funktioner til at opfylde styrings- og kontrolmål og til at fremme modellens gennemsigtighed og retfærdighed.
Fordel ved interoperabilitet med MLflow
Byg fleksible og mere sikre slutpunkt til slutpunkt-workflows ved til maskinel indlæring ved hjælp af MLflow og Azure Machine Learning. Skaler problemfrit dine eksisterende arbejdsbelastninger fra lokal udførelse til den intelligente cloud og edge. Gem dine MLflow-eksperimenter, kør målepunkter, parametre og modelartefakter i det centraliserede Azure Machine Learning-arbejdsområde.
Sæt skub i samarbejde med MLOps på tværs af arbejdsområder
Faciliter samarbejde på tværs af arbejdsområder og MLOps med registreringsdatabaser. Host aktiver til maskinel indlæring på en central placering, så de er tilgængelige for alle arbejdsområder i din organisation. Fremhæv, del og opdag modeller, miljøer, komponenter og datasæt på tværs af teams. Genbrug pipelines, og udrul modeller, der er oprettet af teams i andre arbejdsområder, samtidig med at afstamningen og sporbarheden bevares.
Ressourcecenter
Se handlinger for maskinel indlæring i aktion
Byg pipelines til maskinel indlæring for at designe, implementere og administrere model-arbejdsprocesser
Byg pipelines til maskinel indlæring for at designe, implementere og administrere model-arbejdsprocesser
Automatisering af en pipeline til maskinel indlæring
Sam er en datalog, der arbejder for en online modeforhandler. Virksomheden begyndte for nylig at bruge maskinel indlæring til at give rettidige og præcise anbefalinger, hvilket forbedrer både kundetilfredshed og salg.
Efter en katalogopdatering blev Sam bedt om at opdatere mærket anbefalingsmodel, men ingen ved, hvor den nuværende model kom fra. Han beslutter sig for at bruge Microsoft Azure Machine Learning for at bygge en reproducerbar og sporbar arbejdsproces.
Sam er en datatekniker i en onlinebutik, som har fået til opgave at opdatere deres model til anbefalinger efter en nylig katalogopdatering. Sam leder efter modelpipelinen, men ingen ved, hvor modellen stammer fra.
Sam bruger Azure Machine Learning til at skabe en sporbar arbejdsproces for modellen.
Brug Azure Machine Learning med dine eksisterende værktøjer
Sam bruger Azure Machine Learning SDK til at flytte sit Jupyter Notebook-baserede arbejde til Azure Machine Learning og udnytter dets skala- og samarbejdsmuligheder. Ved at bruge sit valg af framework, versionerer han sin træningskode og datasæt og linker dem til et sporbart eksperiment.
Registrer målepunkterne fra hver kørsel af eksperimentet
Hver gang Sam udfører en kørsel, sporer Azure Machine Learning dens målepunkter og logger den til gennemgang. Dette fanger input (såsom datasæt, kode og parametre) og output (såsom logfiler, målepunkter og modeller) til vurdering og sammenligninger.
Gennemse modeller og eksperimenter i arbejdsområdet
Mens Sam fortsætter med at arbejde i sit notebookmiljø, bruger hans team Azure Machine Learning-studiet til nemt at spore tilbage fra den endelige model i modelregistret gennem hvert aktiv og trin, der blev brugt til at oprette den.
Opret genanvendelige pipelines for effektivitet og ensartethed
Sam opretter en genanvendelig pipeline til maskinel indlæring for at levere en kursusmodel for arbejdsproces og udløse den automatisk ved ændringer i kildedata. Hvis det er nødvendigt, kan han genbruge resultatet af trin uden at ændre inputs.
Skab reproducerbare pipelines til maskinel indlæring
Sam har bygget en reproducerbar og sporbar arbejdsproces ved hjælp af Microsoft Azure Machine Learning. Hver model, som teamet producerer, er nu knyttet til et eksperiment, der er kørt med henblik på vurdering og gentagelse. Med en reproducerbar pipeline lader Sam Microsoft Azure Machine Learning automatisere genoptræning, mens han fokuserer på den næste store ting.
Microsoft Azure Machine Learning hjælper dig med at opbygge pipelines til maskinel indlæring i virksomhedsklasse gennem reproducerbarhed og sporbarhed. Dette fører til mere ensartet modellevering med mindre variabilitet og øget fejltolerance.
Få mere at vide om pipelines til maskinel indlæring Gennemse GitHub-lageret for denne demo
Ved hjælp af Azure Machine Learning har Sam skabt en reproducerbar og sporbar arbejdsproces. Hver model, som teamet producerer, er nu knyttet til kørslen af eksperimentet, hvilket giver teamet mulighed for at gennemse og gentage. Med en reproducerbar pipeline kan Sam muliggøre automatiseret genoplæring af Azure Machine Learning, mens han fokuserer på den næste store ting.
Azure Machine Learning hjælper dig med at skabe pipelines til maskinel indlæring i virksomhedsklassen via reproducerbarhed og sporbarhed. Dette medfører mere ensartet levering af modellen med mindre forskellighed og øget fejltolerance.
Få mere at vide om pipelines til maskinel indlæring Gennemse GitHub-lageret for denne demo
Udrul hurtigt med ro i sindet ved hjælp af autoskalering og administrerede, distribuerede fornuftslutningsklynger
Udrul hurtigt med ro i sindet ved hjælp af autoskalering og administrerede, distribuerede fornuftslutningsklynger
Udrulller et webtjenesteslutpunkt for en model
Sam, en datalog, der arbejder for en online modeforhandler, har føjet Microsoft Azure Machine Learning til sin arbejdsproces for at bygge bedre modeller. Hans automatiserede pipeline har netop registreret en endelig model med vedhæftede eksperimentelle resultater, der viser forbedret ydeevne.
Webudviklingsteamet er ikke sikker på, hvordan man indlejrer en model til maskinel indlæring i webappen og har bedt om en webtjeneste i stedet for. Sam bruger Microsoft Azure Machine Learning for at få hjælp til at føje et webtjenesteslutpunkt til sin model.
Sam, en datalog hos en onlineforhandler, brugte Azure Machine Learning til at oprette og registrere en model. Hans webudviklingsteam har nu bedt ham om et web-slutpunkt til at kalde hans model for fornuftslutning. Sam bruger Azure Machine Learning til at oprette dette webtjenesteslutpunkt.
Hent den nyeste model, og profilér den til produktion
Sam henter den seneste model fra registreringsdatabasen og profilerer den for at se, hvilken slags ressourcer den kan have brug for i produktionen.
Skub modellen til Azure Container Instances
Med profileringsdataene i hånden bruger Sam Azure Machine Learning til at pakke modellen ind i en objektbeholder og udrulle den til Azure Container Instances til realtids- eller batch-fornuftslutning. Efter udrulningen udnytter han den automatiske skemaoprettelse og overvågningsfunktioner i Azure Machine Learning.
Udrul til skalerbare, alsidige slutpunkter, og implementer A/B-test
Med blot et par linjer kode skubber Sam den samme model til en mere skalerbar Azure Kubernetes Service-instans (AKS) og udøver avancerede A/B-testfunktioner til ny modelvalidering. Han kan nu udrulle modeller, hvor end de er nødvendige, fra skyen til edge, ved hjælp af beregningsmuligheder, herunder CPU, GPU og FPGA.
Giv webudviklingsteamet mulighed for at bruge den udrullede model
Når modellen er udrullet til en AKS-instans, får webudviklerteamet adgang til webtjenesteslutpunktet for at ringe fra deres applikation i forbindelse med behov for fornuftslutning i realtid eller batch. Sam overvåger modellens slutpunkt for datadrift og andre målepunkter, som kan overvåges efter behov.
Udgiv modeller, hvor der er brug for dem
Sam forvandlede sin model med åben kildekode til en produktionsklar webtjeneste til sit udviklingsteam. Han holdt sit fokus på modeludvikling frem for at lære de mange teknologier, der er nødvendige for tjenestehosting, herunder Kubernetes, Flask og Swagger.
Microsoft Azure Machine Learning hjælper dig med at omsætte dine modeller til modne og fuldt udbyggede webtjenester, så de hurtigt kan anvendes i applikationer.
Få mere at vide om, hvordan du udruller modeller med Azure Machine Learning
Med Azure Machine Learning har Sam taget sin model med åben kildekode og hurtigt omdannet den til en webtjeneste, der er klar til produktion, så hans udviklingsteam kan bruge den. Som datatekniker har han kunnet holde fokus på modeludvikling i stedet for at skulle opkvalificere sig i forhold til de mange teknologier, der skal bruges til hosting af tjenester (herunder Kubernetes, Flask og/eller Swagger).
Azure Machine Learning hjælper datateknikere med at overføre deres modeller problemfrit til modne webtjenester med alle funktioner, hvilket giver dem mulighed for at hurtigt at sætte sig ind i programmer.
Få mere at vide om, hvordan du udruller modeller med Azure Machine Learning
Interoperer med Azure DevOps og GitHub Actions for at automatisere arbejdsprocesser for maskinel indlæring
Interoperer med Azure DevOps og GitHub Actions for at automatisere arbejdsprocesser for maskinel indlæring
Integrering med din DevOps-arbejdsproces
Sam, en datalog, der arbejder for en online modeforhandler, brugte Microsoft Azure Machine Learning til at bygge og udrulle sine modeller. Han udgav for nylig sin model til en produktionsinstans af Azure Kubernetes Service (AKS), og webteamet har integreret den i webappen med lovende resultater.
Rebecca, som er på driftsteamet, ønsker at sikre, at modelopbygning og -udrulning er en del af DevOps-arbejdsprocesserne. Sam er ikke sikker på, hvordan han skal inkorporere det, så han træner Rebecca i Microsoft Azure Machine Learning og arbejder sammen med hende for at finde ud af, hvordan det kan opfylde begge deres krav.
Sam, en datalog, brugte for nylig Azure Machine Learning til at bygge og udrulle modeller. Han har netop udgivet en model til deres AKS-produktionsinstans. Rebecca ønsker at integrere det med deres DevOps-arbejdsprocesser. Sam fortæller hende om Azure Machine Learning.
Opret en ny udgivelsespipeline med Azure Pipelines
Rebecca opretter en pipeline i Azure Pipelines for at automatisere udrulningsprocessen. Det første trin i pipelinen udfører opgaver som at bygge modellen med alle afhængigheder og kontrollere for fejl. For automatisk at udløse denne pipeline, forbinder Rebecca den til Azure Machine Learning-modelregistret og sikrer, at den starter, hver gang en ny model eller en ny version af modellen registreres.
Publicer modellen med henblik på validering
Rebecca tilføjer en opgave for at udgive modellen til Azure Container Instances til validering, før den går til produktion. Hun bruger Azure CLI til at interagere med Azure Machine Learning. Det giver hende adgang til de samme funktioner i hendes værktøjer, som Sam har i sin notesbog. Dette trin efterligner integrationstests i deres apps DevOps-proces.
Flyt modellen til produktion ved validering
Rebecca tilføjer en udgivelsespipeline-opgave for at udrulle modellen til produktion ved hjælp af AKS. Inden denne opgave aktiveres, konfigurerer Rebecca en gate, der kræver, at et kundeemne eller en leder vurderer og godkender, før den fortsætter. Dette sikrer, at pipelinen ikke forårsager større forstyrrelser, hvis et problem ikke blev fanget i de scriptede valideringer.
Konfigurer registrering af dataafvigelse for at udløse genoplæring
Efterhånden som Rebecca konfigurerer den automatiserede pipeline til at udrulle modellerne, muliggør Sam overvågning af dataafvigelse med Azure Machine Learning. Ved at overvåge brugen af tjenesten kan han se, om fornuftslutningsanmodningerne i produktionen begynder at afvige fra oplærings-datasættet, hvilket indikerer et behov for at genoplære.
Overvåg tjenesten med henblik på stabilitet og ydeevne
Ved hjælp af Application Insights, en funktion i Azure Monitor, overvåger Rebecca tjenestehandlinger såsom antallet af anmodninger, belastning på AKS-klyngen og svarforsinkelse, mens Sam overvåger modellens ydeevne for at afgøre, om der skal foretages optimeringer.
Opret en strømlinet model til arbejdsproces
Rebecca inkorporerede Microsoft Azure Machine Learning i sin DevOps-arbejdsproces, fra automatisering af udgivelser til produktionsovervågning. Mens hun holder øje med servicedriften, overvåger og styrer Sam modellens ydeevne og optimerer efter behov.
Microsoft Azure Machine Learning hjælper med at løfte datavidenskaben i din organisations DevOps-proces, hvilket fører til mere pålidelige og robuste projekter for maskinel indlæring.
Azure Machine Learning er integreret problemfrit i Rebeccas eksisterende DevOps-arbejdsproces – lige fra automatisering af udgivelse til overvågning af produktion – med oprindelige integrationer i eksisterende værktøjer såsom Azure DevOps og Azure App Insights. Og mens Rebecca holder øje med evt. tjenestehandlinger, giver Azure Machine Learning Sam værktøjerne til at overvåge og administrere modellens ydeevne og optimere efter behov.
Azure Machine Learning hjælper med at gøre datavidenskab til en førsteklasses del af din organisations eksisterende DevOps-proces, hvilket medfører mere pålidelige og robuste projekter til maskinel indlæring.
Gør styring og omkostningsstyring bedre på tværs af dine projekter for maskinel indlæring
Gør styring og omkostningsstyring bedre på tværs af dine projekter for maskinel indlæring
Aktivering af modelstyring for maskinel indlæring
Phil, it-lederen hos en online modeforhandler, er begejstret for det arbejde, datavidenskabs- og driftsteamene har udført med Microsoft Azure Machine Learning.
Selvom Phil er ansvarlig for virksomhedens it-infrastruktur, er han ikke sikker på, hvad der er i produktion, hvem der har adgang, eller hvor meget det vil koste. Han beslutter sig for at bruge Microsoft Azure Machine Learning til at hjælpe ham med at leve op til sit styringsansvar.
Phil, IT-chefen hos en onlineforhandler, er begejstret for Sam og Rebeccas arbejde. Men Phil er ansvarlig for it-infrastruktur og ved ikke, hvordan man sikrer styring omkring Machine Learning-projektet. Han kigger på Azure Machine Learning for at få hjælp.
Gennemgå modellerne i produktion
Phil bruger Azure Machine Learning til at overvåge produktions-slutpunkterne. Han kan gå tilbage til underliggende modeller og eksperimenter sammen med output fra modelforklaringerne og fairness-analyse. Dette sikrer, at han sporer hvert trin i processen for modeloprettelse og muliggør modelovervågning for enhver bias.
Tjek overvågningsloggene for at få detaljeret modelhistorik
Phil får adgang til Azure Machine Learning-overvågningsloggene. De supplerer sporbarheden i modellerne og eksperimenterne med en detaljeret log, som sporer hver handling (dato, klokkeslæt og bruger). Disse logfiler hjælper Phil med at spore handlinger, der er iværksat inden for eller af tjenesten, for at sikre ansvarlighed i hele organisationen.
Beskyt arbejdsområdet ved hjælp af identitets- og adgangsstyring i Azure
Phil bruger identitets- og adgangsadministration i Azure til at administrere adgangen til Azure Machine Learning-arbejdsområdet. Han bruger både indbyggede roller og tilpassede roller til at begrænse opgaver, brugere kan udføre og kontrollere adgangen til ressourcer.
Sørg for ansvarlighed med Azure-ressourcer
Phil bruger kvotekapaciteten til at konfigurere ressourcegrænser og deling. Dette hjælper ham med at styre udgifterne, kontrollere omkostningerne og sikre en retfærdig ressourceallokering på tværs af teams. Det tilskynder også til ansvarlighed fra de respektive projektteams.
Opnå modelstyring og overholdelse af angivne standarder
Phil kan nu se, hvad der er i produktion og sikre organisatorisk overholdelse gennem overvågning, rollebaseret adgangskontrol og kvotestyring. Han sætter pris på, hvordan Microsoft Azure Machine Learning ikke kun understøtter datavidenskabs- og driftsteamene, men også leverer de styringskapaciteter i virksomhedskvalitet, han har brug for.
Microsoft Azure Machine Learning leverer de organisatoriske kontroller, der er afgørende for at gøre projekter for maskinel indlæring succesfulde og mere sikre.
Overvåg Azure Machine Learning Planlæg og administrer omkostninger for Azure Machine Learning
Phil er taknemlig for, at Azure Machine Learning ikke kun understøtter datavidenskaben og driftsteamene, men også leverer den funktionalitet til styring i virksomhedsklassen, som han skal bruge for at leve op til sit ansvar. Han kan se nøjagtigt, hvad der er i produktion, samt sikre overholdelse af angivne standarder i hele organisationen via overvågning, rollebaseret adgangskontrol og kvoteadministration.
Azure Machine Learning leverer de organisatoriske kontrolelementer, der er vigtige for at få succesfulde og sikre projekter til maskinel indlæring.
Overvåg Azure Machine Learning Planlæg og administrer omkostninger for Azure Machine Learning
Omfattende indbygget sikkerhed og overholdelse af angivne standarder
-
Microsoft investerer mere end USD 1 milliarder årligt i forskning i og udvikling af cybersikkerhed.
-
Vi har mere end 3,500 sikkerhedseksperter, der er dedikeret til beskyttelse af data og personlige oplysninger.
-
Azure har flere certificeringer end nogen anden cloududbyder. Se den omfattende liste.
Kom i gang med en gratis Azure-konto
Start gratis. Få $200 kredit, du kan bruge inden for 30 dage. Mens du har din kredit, kan du få gratis mængder af mange af vores mest populære tjenester plus gratis mængder på mere end 40 andre tjenester, der altid er gratis.
Efter din kredit skal du gå til pay as you go (betal efter forbrug) for at fortsætte med at bygge med de samme gratis tjenester. Betal kun, hvis du bruger mere end dine gratis månedlige beløb.
Efter 12 måneder får du stadig mere end 40 tjenester, der altid er gratis, og du betaler stadig kun for det, du bruger ud over dine gratis månedlige beløb.
Se, hvordan kunderne leverer værdi med handlinger for maskinel indlæring
FedEx
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."
BRF
Alexandre Biazin, Technology Executive Manager, BRF"We're scaling with automated machine learning in Azure and MLOps capabilities in Azure Machine Learning so that our 15 analysts can focus on more strategic tasks instead of the mechanics of merging spreadsheets and running analyses."
Nestle
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."
PepsiCo
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."
Yderligere MLOps-ressourcer
Start her
Blog
- Foren MLOps hos Microsoft
- Modelkoncepter for MLOps-modenhed
- Azure Machine Learning er fremragende i virksomhedsparathed
- Kunsten at teste systemer til maskinel indlæring
- Test af robustheden af systemer til maskinel indlæring
- Test af skalerbarheden af systemer til maskinel indlæring
- Test af sikkerheden i systemer til maskinel indlæring