Unternehmenskritische Machine Learning-Modelle im großem Stil
Azure Machine Learning ermöglicht wissenschaftlichen Fachkräften für Daten und Entwicklern, qualitativ hochwertige Modelle schneller und zuverlässiger zu erstellen, bereitzustellen und zu verwalten. Diese Lösung verkürzt die Amortisationszeit mithilfe branchenführender Machine Learning Operations, Open-Source-Interoperabilität und integrierter Werkzeuge. Diese vertrauenswürdige Plattform ist für verantwortungsvolle KI-Anwendungen innerhalb von maschinellem Lernen konzipiert.
Schnelle Modellentwicklung und rasches Training mithilfe integrierter Werkzeuge und Unterstützung skalierbare, zweckgerichtete KI-Infrastruktur.
Verantwortungsvolle KI-Modellentwicklung mit integrierter Fairness und Erklärbarkeit sowie verantwortungsvoller Nutzung für Compliance
Schnelle Bereitstellung, Verwaltung und Freigabe von ML-Modellen für bereichsübergreifende Zusammenarbeit und MLOps
Integrierte Governance, Sicherheit und Compliance für die Ausführung von Machine Learning-Workloads
Unterstützung für den End-to-End-Machine Learning-Lebenszyklus
Datenbeschriftung
Beschriften Sie Trainingsdaten und verwalten Sie Bezeichnungsprojekte.
Datenaufbereitung
Verwenden Sie diese Lösung mit Analyse-Engines, um Daten zu erkunden und aufzubereiten.
Datasets
Greifen Sie auf Daten zu, und erstellen und geben Sie Datasets frei.
Notebooks
Verwenden Sie Jupyter Notebooks mit angeschlossenem Compute für die Zusammenarbeit.
Automatisiertes maschinelles Lernen
Trainieren und optimieren Sie präzise Modelle automatisch.
Drag & Drop-Designer
Entwerfen sie mithilfe einer Drag & Drop-Entwicklungsschnittstelle.
Experimente
Führen Sie Experimente durch und erstellen und geben Sie benutzerdefinierte Dashboards frei.
CLI und Python SDK
Beschleunigen Sie den Trainingsprozess für Ihre Modelle, während Sie in Azure Compute zentral hoch- und aufskalieren.
Visual Studio Code und GitHub
Verwenden Sie vertraute Werkzeuge, und wechseln Sie ganz einfach von lokalen zu cloudbasiertem Training.
Compute-Instanz
Entwickeln Sie in einer verwalteten und sicheren Umgebung mit dynamisch skalierbaren CPUs, -GPUs und Supercomputing-Clustern.
Open-Source-Bibliotheken und -Frameworks
Erhalten Sie integrierte Unterstützung für Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib und mehr.
Verwaltete Endpunkte
Stellen Sie schnell und einfach Modelle für Batch- und Echtzeitrückschlüsse bereit.
Pipelines und CI/CD
Automatisieren Sie Machine Learning-Workflows.
Vordefinierte Images
Greifen Sie mithilfe von Frameworks und Bibliotheken auf Containerimages zu, um Rückschlüsse zu erhalten.
Modellrepository
Geben Sie Modelle und Daten frei und verfolgen Sie sie nach.
Hybrid- und Multicloudlösungen
Trainieren und stellen Sie Modelle lokal und in Multicloudumgebungen bereit.
Modelle optimieren
Beschleunigen Sie Training und Rückschluss, und senken Sie die Kosten mit ONNX Runtime.
Überwachen und Analysieren
Protokollieren, analysieren und verfolgen Sie Modelle und Ressourcen nach.
Datendrift
Erkennen sie Datendrift, und halten Sie die Modellgenauigkeit aufrecht.
Fehleranalyse
Debuggen Sie Modelle und optimieren Sie die Modellgenauigkeit.
Überwachung
Spüren Sie Machine Learning-Artefakte auf, um für Compliance zu sorgen.
Richtlinien
Verwenden Sie integrierte und benutzerdefinierte Richtlinien für die Complianceverwaltung.
Sicherheit
Profitieren Sie durch Azure Security Center von kontinuierlicher Überwachung.
Kostenkontrolle
Wenden Sie Kontingentverwaltung und automatisches Herunterfahren an.
Azure Machine Learning für Deep Learning
Verwaltete End-to-End-Plattform
Optimieren Sie den gesamten Deep Learning-Lebenszyklus und die Verwaltung von Modellen mit nativen MLOps-Funktionen. Führen Sie Maschinelles Lernen überall bedenkenlos mit Sicherheit auf Unternehmensniveau aus. Verringern Sie Modellabweichungen, und werten Sie Modelle mit dem Dashboard für verantwortungsvolle KI aus.
Alle Entwicklungstools und Frameworks
Erstellen Sie Deep Learning-Modelle mit Ihren bevorzugten IDEs von Visual Studio Code bis hin zu Jupyter Notebooks und im Framework Ihrer Wahl mit PyTorch und TensorFlow. Azure Machine Learning lässt sich in ONNX Runtime und DeepSpeed integrieren, um Ihr Training und den Rückschluss zu optimieren.
Erstklassige Leistung
Nutzen Sie die zweckgerichtete KI-Infrastruktur, die speziell dafür konzipiert ist, die neuesten NVIDIA-GPUs und Mellanox Networking-Verbindungen mit bis zu 200 GB/s InfiniBand zu kombinieren. Skalieren Sie bis zu Tausenden von GPUs innerhalb eines einzelnen Clusters mit einer beispiellosem Umfang.
Amortisationszeit mithilfe rascher Modellentwicklung verkürzen
Steigern Sie die Produktivität mithilfe der Studio-Funktion, einer Entwicklungsumgebung, die alle Machine Learning-Aufgaben unterstützt, um Modelle zu erstellen, zu trainieren und bereitzustellen. Arbeiten Sie mithilfe von Jupyter Notebooks zusammen, indem Sie die integrierte Unterstützung für beliebte Open-Source-Frameworks und -Bibliotheken verwenden. Erstellen Sie mithilfe von automatisiertem maschinellem Lernen schnell genaue Modelle für tabellarische, Text- und Bildmodelle, und greifen Sie dabei auf Feature Engineering und Hyperparameter Sweeping zurück. Nutzen Sie Visual Studio Code, um nahtlos vom lokalen Training zum Cloudtraining zu wechseln, und skalieren Sie automatisch mit leistungsstarken cloudbasierten CPU- und GPU-Clustern, die vom NVIDIA Quantum InfiniBand-Netzwerk unterstützt werden.
Operationalisierung im großen Stil mit MLOps
Optimieren Sie mithilfe von MLOps die Bereitstellung und Verwaltung Tausender Modelle in mehreren Umgebungen. Stellen Sie Modelle schneller bereit, und bewerten Sie sie mit vollständig verwalteten Endpunkten, um Batch- und Echtzeitvorhersagen zu liefern. Verwenden Sie wiederholbare Pipelines, um Workflows für Continuous Integration und Continuous Delivery (CI/CD) zu automatisieren. Entdecken und geben Sie Machine Learning-Artefakte über mehrere Teams hinweg frei, um mithilfe von Registrierungen für eine bereichsübergreifende Zusammenarbeit zu sorgen. Überwachen Sie kontinuierlich Leistungsmetriken Ihrer Modelle, erkennen Sie Datendrift, und lösen Sie ein erneutes Training aus, um die Modellleistung zu verbessern.
Verantwortungsvolle Machine Learning-Lösungen bereitstellen
Werten Sie Machine Learning-Modelle mithilfe reproduzierbarer und automatisierter Workflows aus, um modellorientierte Fairness, Erklärbarkeit, Fehleranalyse, kausale Analyse, Modellleistung und explorative Datenanalyse zu bewerten. Erstellen Sie realitätsnahe Berichte mit Kausalanalysen im Dashboard für verantwortungsvolle KI, und generieren Sie eine Scorecard zur Bereitstellungszeit. Kontextualisieren Sie verantwortungsvolle KI-Metriken für technische und nicht technische Zielgruppen, um Beteiligte einzubeziehen und die Überprüfung der Compliance zu optimieren.
Innovationen auf einer hybriden Plattform, die sicherer und konformer ist
Erhöhen Sie mit umfassenden Funktionen für Identität, Daten, Netzwerke, Überwachung und Compliance die Sicherheit im gesamten Machine Learning-Lebenszyklus. Schützen Sie Lösungen mit benutzerdefinierter, rollenbasierter Zugriffssteuerung, virtuellen Netzwerken, Datenverschlüsselung, privaten Endpunkten und privaten IP-Adressen. Trainieren und stellen Sie Modelle lokal bereit, um den Anforderungen an die Datenhoheit gerecht zu werden. Steuern Sie mit integrierten Richtlinien, und optimieren Sie die Compliance mit 60 Zertifizierungen, einschließlich FedRAMP High und HIPAA.
Werden Sie mit Azure zum Experten für Machine Learning
Arbeiten Sie sich mit einem 30-tägigen Lernpfad weiter in das Thema Machine Learning in Azure ein, und wenden Sie Ihr Wissen in praxisorientierten Tutorials an. Am Ende dieses Kurses sind Sie für die Zertifizierung als Azure Data Scientist Associate bereit.
Wichtige Dienstfunktionen für den gesamten Machine Learning-Lebenszyklus
-
Datenbeschriftung
Nutzen Sie das durch maschinelles Lernen unterstützte Beschriftungsfeature, um Daten zu erstellen, Beschriftungsprojekte zu verwalten und zu überwachen sowie um iterative Aufgaben zu automatisieren.
-
Datenaufbereitung
Durchlaufen Sie schnell die Datenaufbereitung in Apache Spark-Clustern innerhalb von Azure Machine Learning im gewünschten Umfang (interoperabel mit Azure Synapse Analytics).
-
Kollaborative Notebooks
Maximieren Sie die Produktivität mit IntelliSense, einfachen Compute- und Kernelwechseln sowie der Offlinebearbeitung von Notebooks. Starten Sie Ihr Notebook in Visual Studio Code, um eine umfassende Entwicklungsumgebung zu nutzen, einschließlich sicherem Debuggen und Unterstützung für die Git-Quellcodeverwaltung.
-
Automatisiertes maschinelles Lernen
Erstellen Sie schnell genaue Modelle zur Klassifizierung, für die Regression, für Zeitreihenvorhersagen, Verarbeitungsaufgaben in natürlicher Sprache und für Aufgaben im Bereich des maschinellen Sehens. Nutzen Sie die Interpretierbarkeit von Modellen, um nachzuvollziehen, wie sie erstellt wurden.
-
Maschinelles Lernen per Drag & Drop
Verwenden Sie Machine Learning-Werkzeuge wie den Designer für die Datentransformation, das Modelltraining und die Modellauswertung, oder zum einfachen Erstellen und Veröffentlichen von Machine Learning-Pipelines.
-
Vertiefendes Lernen
Skalieren Sie vertiefendes Lernen auf leistungsstarke Computecluster, unterstützen Sie Szenarios mit mehreren Agents, und greifen Sie auf Open-Source-Algorithmen für vertiefendes Lernen sowie auf Frameworks und Umgebungen zu.
-
Verantwortungsvolles Erstellen
Verschaffen Sie sich mithilfe der Interpretationsfunktionen Modelltransparenz beim Training und Herleiten von Rückschlüssen. Bewerten Sie die Modellfairness, und vermeiden Sie Unfairness mithilfe von Abweichungsmetriken. Verbessern Sie die Zuverlässigkeit des Modells, und identifizieren und diagnostizieren Sie Modellfehler mithilfe des Toolkits zur Fehleranalyse. Tragen Sie mit Differential Privacy zum Datenschutz bei.
-
Experimentieren
Verwalten und überwachen Sie Ausführungen, oder vergleichen Sie mehrere Ausführungen für Training und Experimente. Erstellen Sie benutzerdefinierte Dashboards, und geben Sie sie für Ihr Team frei.
-
Registrierungen
Verwenden Sie organisationsweite Repositorys, um Modelle, Pipelines, Komponenten und Datasets über mehrere Arbeitsbereichen hinweg zu speichern und freizugeben. Erfassen Sie Daten zu Herkunft und Governance mithilfe des Überwachungspfadfeatures automatisch.
-
Git und GitHub
Verwenden Sie die Git-Integration, um Ihre Arbeit nachzuverfolgen, und die GitHub Actions-Unterstützung für die Implementierung von Machine Learning-Workflows.
-
Verwaltete Endpunkte
Verwenden Sie verwaltete Endpunkte, um die Modellbereitstellung und -bewertung zu operationalisieren, Metriken zu protokollieren und sichere Modellrollouts durchzuführen.
-
Automatische Skalierung von Computeressourcen
Verwenden Sie zweckgerichtete KI-Supercomputer, um Deep Learning-Schulungen anzubieten und Modelle schnell zu testen, zu validieren und bereitzustellen. CPU- und GPU-Cluster können für einen Arbeitsbereich freigegeben und automatisch entsprechend Ihrer Machine Learning-Anforderungen skaliert werden.
-
Interoperabilität mit anderen Azure-Diensten
Beschleunigen Sie die Produktivität mit Microsoft Power BI und Diensten wie Azure Synapse Analytics, Azure Cognitive Search, Azure Data Factory, Azure Data Lake, Azure Arc, Azure Security Center und Azure Databricks.
-
Hybrid- und Multicloudunterstützung
Mit Azure Arc können Sie Machine Learning-Workloads auf vorhandenen Kubernetes-Clustern ausführen – und das lokal, in Multicloudumgebungen und am Edge. Mit dem einfachen Machine Learning-Agent starten Sie das Modelltraining mit größerer Sicherheit. Der Speicherort Ihrer Daten ist dabei unerheblich.
-
Sicherheit auf Unternehmensniveau
Mit Funktionen wie der Netzwerkisolation und privater End-to-End-IP, der rollenbasierten Zugriffssteuerung für Ressourcen und Aktionen, benutzerdefinierten Rollen und der verwalteten Identität für Computeressourcen können Sie Modelle noch sicherer erstellen und bereitstellen.
-
Kostenmanagement
Reduzieren und verwalten Sie mithilfe der Kontingentgrenzwerte für Arbeitsbereiche und Ressourcen sowie automatischem Herunterfahren die Ressourcenzuordnung für Compute-Instanzen in Azure Machine Learning besser.
Integrierte umfassende Sicherheit und Compliance
-
Microsoft investiert über 1 Milliarde USD pro Jahr in die Forschung und Entwicklung der Cybersecurity.
-
Microsoft beschäftigt mehr als 3.500 Sicherheitsexperten, die ausschließlich den Schutz und die Sicherheit Ihrer Daten im Blick haben.
-
Azure verfügt über mehr Zertifizierungen als jeder andere Cloudanbieter. Sehen Sie sich die vollständige Liste an.
-
Bezahlen Sie nutzungsbasiert – ohne Vorabkosten
Erste Schritte mit einem kostenlosen Azure-Konto
1
2
Nachdem Ihr Guthaben aufgebraucht ist, wechseln Sie zur nutzungsbasierten Zahlung, um Ihr Wachstum mit den gleichen kostenlosen Dienstleistungen voranzutreiben. Es fallen nur Gebühren an, wenn Sie die kostenlosen monatlichen Kontingente überschreiten.
3
Erstellen Sie neue Modelle, und speichern Sie Ihre Computeziele, Modelle, Bereitstellungen, Metriken und Ausführungsverläufe in der Cloud.
Ermitteln Sie durch automatisiertes maschinelles Lernen Algorithmen und Hyperparameter, und verfolgen Sie Experimente in der Cloud nach. Erstellen Sie Modelle mit Notebooks und dem per Drag & Drop gesteuerten Designer.
Stellen Sie Ihr Machine Learning-Modell in der Cloud oder am Edge bereit, überwachen Sie die Leistung, und trainieren Sie nach Bedarf erneut.
Kunden, die Azure Machine Learning nutzen
"Unsere Mission bei AXA UK ist es, neue Ideen auszuprobieren und uns von anderen Versicherungsunternehmen zu unterscheiden. Wir betrachten verwaltete Endpunkte in Azure Machine Learning als Schlüsselelement für das Erreichen unserer digitalen Ziele."
Nic Bourven, Chief Information Officer, AXA UK
"Kunden erwarten zeitnahe und genaue Informationen zu ihren Paketen sowie eine datenbasierte Erfahrung bei der Lieferung. Wir unterstützen FedEx dabei, mit Azure Machine Learning führend in unserer Branche zu bleiben, und bauen Fachwissen für zukünftige Projekte auf."
Bikram Virk, Product Manager, AI and Machine Learning, FedEx
"Da sich mehr und mehr unserer Gruppen auf die Azure Machine Learning-Lösung verlassen, können sich unsere Finanzexperten stärker auf allgemeine Aufgaben konzentrieren und vergeuden weniger Zeit mit der manuellen Erhebung und Eingabe von Daten."
Jeff Neilson, Data Science Manager, 3M
i
"Mit Azure Machine Learning können wir dem Patienten eine Risikobewertung zeigen, die auf seine individuelle Situation maßgeschneidert ist. … Letztlich ist es unser Ziel, Risiken und Unsicherheit zu reduzieren und die Ergebnisse unserer chirurgischen Eingriffe zu verbessern."
Professor Mike Reed, Clinical Director, Trauma & Orthopedics, Northumbria Healthcare NHS Foundation Trust
1
"Wir haben die MLOps-Funktionen von Azure Machine Learning verwendet, um den gesamten Machine Learning-Prozess zu vereinfachen. Dadurch können wir uns mehr auf Data Science konzentrieren, und Azure Machine Learning kümmert sich um die End-to-End-Operationalisierung."
Michael Cleavinger, Senior Director of Shopper Insights, Data Science, and Advanced Analytics, PepsiCo
.
"Die Verwendung automatisierter Machine Learning-Funktionen von Azure Machine Learning zur Erstellung von Machine Learning-Modellen ermöglichte es uns, eine Umgebung zu schaffen, in der wir verschiedene Modelle aus mehreren Perspektiven erstellen und mit ihnen experimentieren können."
Keiichi Sawada, Corporate Transformation Division, Seven Bank
Azure Machine Learning-Ressourcen
Tutorial für Anfänger
Erste Schritte mit Machine Learning und dem Python-SDK
Erste Schritte mit Jupyter Notebook-Instanzen
Erste Schritte mit dem automatisierten maschinellen Lernen
Verwenden des Designer-Werkzeugs für Machine Learning per Drag & Drop
Trainieren von Modellen mit der Befehlszeilenschnittstelle
Trainieren eines Modells mithilfe der Visual Studio Code-Erweiterung
Komplexere Tutorials
Automatisierte Machine Learning-Modelle trainieren und bereitstellen
MLOps-Beispiele auf GitHub erkunden
Verwenden des Designer-Werkzeugs für die Vorhersage
Interpretieren und Erläutern von Machine Learning-Modellen
Interpretieren und Erläutern automatisierter Machine Learning-Modelle
Python-SDK für automatisiertes maschinelles Lernen verwenden
Benutzeroberfläche für automatisiertes maschinelles Lernen verwenden
Zeitreihenmodell automatisch trainieren
Automatisches Trainieren eines Objekterkennungsmodells
Automatisches Trainieren eines Modells zur Verarbeitung natürlicher Sprache
Empfohlene Videos
Vordefinierte Docker-Images für Rückschlüsse
Ortsunabhängiges Machine Learning ausführen
Demokratisierung von KI mit Machine Learning Designer
So werden Sie zum Machine Learning-Experten
Azure Machine Learning Studio-Notebooks
Verwalten von Assets, Artefakten und Code
Leitfaden: Azure Machine Learning meistern
Eignen Sie sich professionelle Methoden für die Entwicklung automatisierter und hochgradig skalierbarer Machine Learning-Modelle und -Pipelines mithilfe von TensorFlow, Spark und Kubernetes an.
Whitepaper: MLOps-Entwicklung
Entdecken Sie einen systematischen Ansatz zum Erstellen, Bereitstellen und Überwachen von Machine Learning-Lösungen mit MLOps. Erstellen, testen und verwalten Sie produktionsbereite Machine Learning-Lebenszyklen schnell und im großen Stil.
Forrester Total Economic Impact™ (TEI)-Studie
Die von Microsoft in Auftrag gegebene Studie „Total Economic Impact™ (TEI)“ von Forrester Consulting untersucht die potenzielle Rendite (Return on Investment, ROI), die Unternehmen mit Azure Machine Learning erzielen können.
Whitepaper: Machine Learning-Lösungen
Erfahren Sie, wie Sie sichere, skalierbare und gesicherte Lösungen erstellen.
Whitepaper: Verantwortungsvolle KI
Erfahren Sie mehr über Werkzeuge und Methoden, mit denen Sie Ihre Modelle verstehen, schützen und steuern können.
Whitepaper: Machine Learning Operations (MLOps)
Beschleunigen Sie den Prozess des Erstellens, Trainierens und Bereitstellens von Machine Learning-Modellen im großen Stil.
Whitepaper: Maschinelles Lernen mit Azure Arc-Unterstützung
Erfahren Sie, wie Sie Modelle in jeder beliebigen Infrastruktur erstellen, trainieren und bereitstellen können.
Häufig gestellte Fragen zu Azure Machine Learning
-
Der Dienst ist in mehreren Ländern/Regionen allgemein verfügbar – weitere werden in Kürze folgen.
-
In der Vereinbarung zum Servicelevel (SLA) für Azure Machine Learning wird eine Betriebszeit von 99,9 % zugesichert.
-
Azure Machine Learning Studio ist die wichtigste Ressource für den Machine Learning-Zwecke. Dieses Portal ist eine zentrale Anlaufstelle für Data Scientists und Entwickler, über die alle Artefakte zum Erstellen, Trainieren und Bereitstellen von Machine Learning-Modellen genutzt werden können.