Nye funktioner til Azure Machine Learning fås nu som prøveversion

Funktionerne omfatter:

• Åbne datasæt – Åbne datasæt er en samling af datasæt fra det offentlige domæne, der kan accelerere udviklingen af modeller til maskinel indlæring, der bygges i Azure. Åbne datasæt kan integreres med Machine Leaning Studio, eller du kan få adgang til dem fra Python-notesbøger i Azure Machine Learning-tjenesten. Åbne datasæt i Azure tilbyder data i god kvalitet fra det offentlige domæne, hvilket ofte er svært at finde og dyrt at organisere. Dataeksperter vil blive mere produktive, idet de kan fokusere på opbygning af modeller i stedet for på dataforberedelse.
• Visuel grænseflade : Den nye visuelle grænseflade til Azure Machine Learning tilføjer funktionalitet til arbejdsprocesser med træk og slip i Azure Machine Learning-tjenesten. Den forenkler processen med at opbygge, teste og udrulle modeller til maskinel indlæring for kunder, der foretrækker en visuel frem for en kodebaseret oplevelse. Denne integration samler det bedste fra ML Studio og AML-tjenesten. Oplevelsen med træk og slip betyder, at enhver dataekspert hurtigt kan opbygge en model uden at skrive kode. Værktøjet giver også tilstrækkelig fleksibilitet, til at dataeksperter kan finjustere modellen. Med AML-tjenesten som backend-platform tilbydes al den skalerbarhed, sikkerhed og mulighed for fejlretnings, som ML Studio ikke kan give. Den nemme funktionalitet til udrulning i den visuelle grænseflade gør det nem at generere en score.py-fil og oprette afbildninger. Med nogle få klik kan en oplært model udrulles til enhver AKS-klynge, der er knyttet til AML-tjenesten.
• Automated ML – brugeroplevelse: 
  • Udrul som en webtjeneste for at forudsige nye data
  • Få den bedste model til klassificering, regression eller forudsigelse af problemer med nogle få klik på en knap
  • Analysér de genererede modeller
  • Citizen-dataeksperter: Generer ML-modeller uden at skulle skrive Python-kode (eller en anden form for kode) . Dataeksperter: Udforsk og generer hurtigt hundredvis af modeller, og fortsæt derefter med at optimere de bedste af dem i Jupyter Notebook
• Notebook-VM'er: Azure Machine Learning lancerer en personlig prøveversion med en hostet notesbogtjeneste midt i april, og vi forventer at udvide til en offentlig prøveversion i maj. Hostede notesbøger giver en oplevelse, hvor koden sættes først, og brugere kan udføre enhver handling, der understøttes af Azure Machine Learning Python SDK, ved hjælp af en velkendt Jupyter-notesbog. Med hostede notesbøger forenkles opstartsprocessen, idet de leverer et sikkert miljø til ML-brugere, der passer til virksomheder. I den personlige prøveversion kan kunderne gøre følgende: få adgang til en notesbog, der er integreret i Azure ML-arbejdsområdet, bruge forudkonfigurerede Azure ML-notesbøger uden behov for opsætning, tilpasse deres Notebook-VM'er, herunder have mulighed fro at tilføje pakker og drivere.

​Nu kan du bruge MLflow sammen med dit Azure Machine Learning-arbejdsområde til at logge målepunkter og artefakter fra dine oplæringskørsler på en central, sikker og skalerbar placering. MLflow-sporing kan udføres fra din lokal computer, fra en virtuel maskine eller fra et fjerncomputermiljø.

• Data Box Edge med FPGA: FPGA'er er en mulighed for brug af følgeslutninger i maskinel indlæring, der er baseret på Project Brainwave, som er en hardwarearkitektur fra Microsoft. Dataeksperter og udviklere kan bruge FPGA'er til at øge hastigheden for AI-beregninger i realtid. Disse hardwareaccelererede modeller er nu offentligt tilgængelige i cloudmiljøet sammen med en prøveversion af modeller, der er udrullet til Data Box Edge. FPGA'er tilbyder ydeevne, fleksibilitet og skalerbarhed og er kun tilgængelige gennem Azure Machine Learning. De gør det muligt at opnå kort ventetid for anmodninger om følgeslutninger i realtid, hvilket mindsker behovet for asynkrone anmodninger (batchkørsel).