Zum Hauptinhalt wechseln

Azure Machine Learning

Nutzen Sie einen speziell für Unternehmen konzipierten Dienst für den Ende-zu-Ende-Machine Learning-Lebenszyklus.

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.

Video container

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.

Zurück zu Registerkarten

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.

Eine Pipeline mit MLOps

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.

Ein Diagramm, das die aggregierte Featurerelevanz für ein Dataset in Azure Machine Learning darstellt
Eine Liste von Richtliniendefinitionen

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.

Eine Person, die in einem Konferenzraum an einem Laptop arbeitet

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.

Erste Schritte mit einem kostenlosen Azure-Konto

1

Kostenlos starten. Sie erhalten ein Guthaben von 200 USD, das Sie innerhalb von 30 Tagen verwenden können. Solange Sie über Ihr Guthaben verfügen, können Sie viele unserer beliebtesten Dienste kostenlos nutzen. Außerdem erhalten Sie mehr als 55 weitere Dienste stets kostenlos.

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

Nach 12 Monaten erhalten Sie die mehr als 55 Dienste weiterhin kostenlos und zahlen auch künftig nur für die über die monatlichen Freimengen hinausgehende Nutzung.

Erstellen Sie neue Modelle, und speichern Sie Ihre Computeziele, Modelle, Bereitstellungen, Metriken und Ausführungsverläufe in der Cloud.

Zurück zu Registerkarten

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

Ein Elternteil und ein Kind, die im Kofferraum eines Autos sitzen und in eine Kamera blicken und lachen

"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

Zwei Personen, die in einer Fabrik arbeiten

"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

Ein Schweißer bei der Arbeit

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

Eine medizinische Fachkraft, die mit einem Patienten spricht

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

Ein Mitarbeiter, der Pepsi und Mountain Dew-Cans in einem Kühlschrank auffüllt

.

"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

Eine Filiale der Seven Bank
Zurück zu Registerkarten
Leitfaden: Azure Machine Learning meistern

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

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

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

Whitepaper: Machine Learning-Lösungen

Erfahren Sie, wie Sie sichere, skalierbare und gesicherte Lösungen erstellen.

Whitepaper: Verantwortungsvolle KI

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)

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

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.

Sind Sie bereit? Dann richten Sie jetzt Ihr kostenloses Azure-Konto ein

Azure Machine Learning kostenlos testen

Mit dem Vertrieb chatten