Erstellen Sie 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 (MLOps), Open-Source-Interoperabilität und integrierter Werkzeuge. Diese vertrauenswürdige KI-Lernplattform ist für verantwortungsvolle KI-Anwendungen innerhalb von maschinellem Lernen konzipiert.
Beschleunigen Sie die Amortisationszeit
Erstellen Sie Machine Learning-Modelle mit leistungsstarken KI-Infrastruktur und orchestrieren Sie KI-Workflows mit prompt flow.
Zusammenarbeiten und Optimieren von MLOps
Schnelle Bereitstellung, Verwaltung und Freigabe von ML-Modellen für bereichsübergreifende Zusammenarbeit und MLOps.
Sichere Entwicklung
Integrierte Governance, Sicherheit und Compliance für die Ausführung von Machine Learning-Workloads überall.
Verantwortungsvolles Entwerfen
Verantwortungsvolle KI, um erklärbare Modelle mithilfe von datengesteuerten Entscheidungen für Transparenz und Verantwortlichkeit zu erstellen.
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 KI-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 Machine Learning-Tools, 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 KI-Lernmodelle 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
Freigeben und Nachverfolgen von Machine Learning-Modellen und -Daten.
Hybrid- und Multicloudlösungen
Trainieren und stellen Sie Modelle lokal und in Multicloudumgebungen bereit.
Optimierte Modelle
Beschleunigen Sie Training und Rückschluss, und senken Sie die Kosten mit ONNX Runtime.
Registrierungen
Teilen und entdecken Sie Modelle und Pipelines teamsübergreifend in Ihrer Organisation.
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 KI-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 generative KI
KI-Workfloworchestrierung
Vereinfachen Sie den Entwurf, die Auswertung und die Bereitstellung großer sprachmodellbasierter Anwendungen mit prompt flow. . Verfolgen, reproduzieren, visualisieren und verbessern Sie die Eingabeaufforderungen und Flows in einer Vielzahl von Tools und Ressourcen. Erfahren Sie mehr über Generative KI in Machine Learning.
Verwaltete End-to-End-Plattform
Optimieren Sie den gesamten Lebenszyklus und die Modellverwaltung für große Sprachmodelle 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.
Flexible Tools und Frameworks
Erstellen Sie Deep Learning-Modelle in Tools wie Visual Studio Code und Jupyter Notebooks mit flexiblen Frameworks wie PyTorch oder TensorFlow. Azure Machine Learning ist mit ONNX Runtime und DeepSpeed kompatibel, um das Training und den Rückschluss zu optimieren.
Erstklassige Leistung
Verwenden Sie speziell entwickelte KI-Infrastruktur entwickelt, um die neuesten NVIDIA-GPUs und InfiniBand-Netzwerklösungen mit bis zu 400 GBit/s 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 mit einer einheitlichen Studio-Erfahrung. Erstellen, Trainieren und Bereitstellen von Modellen mit Jupyter Notebooks mit integrierter Unterstützung für Open-Source-Frameworks und -Bibliotheken. Erstellen Sie mithilfe von automatisiertem maschinellem Lernen schnell Modelle für tabellarische, Text- und Bilddaten. Verwenden Sie Visual Studio Code, um nahtlos vom lokalen training zum Cloudtraining zu wechseln, und führen Sie eine automatische Skalierung mit Azure KI-Infrastruktur durch, die von der NVIDIA Quantum-2 InfiniBand-Plattform unterstützt wird. Entwerfen, vergleichen, bewerten und stellen Sie Ihre Eingabeaufforderungen für große sprachmodellbasierte Anwendungen mit prompt flow bereit.
Zusammenarbeiten und Optimieren der Modellverwaltung mit MLOps
Optimieren Sie mithilfe von MLOps die Bereitstellung und Verwaltung Tausender Modelle in mehreren Umgebungen. Stellen Sie ML-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 und verwaltetem Feature Store 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.
Erstellen von Lösungen auf Unternehmensniveau auf einer Hybridplattform
Setzen Sie Sicherheit im gesamten Machine Learning-Lebenszyklus an erster Stelle, indem Sie die integrierte Datengovernance in Microsoft Purview verwenden. Nutzen Sie die umfassenden Sicherheitsfunktionen für Identität, Daten, Netzwerke, Überwachung und Compliance, die alle von Microsoft getestet und überprüft wurden. Schützen Sie Lösungen mit benutzerdefinierter, rollenbasierter Zugriffssteuerung, virtuellen Netzwerken, Datenverschlüsselung, privaten Endpunkten und privaten IP-Adressen. Trainieren und bereitstellen Sie Modelle überall, von lokal bis Multicloud, um die Anforderungen an die Datenhoheit zu erfüllen. Steuern Sie zuverlässig mit integrierten Richtlinien und der Compliance mit 60 Zertifizierungen, einschließlich FedRAMP High und HIPAA.
Verantwortungsvolle KI-Methoden während des gesamten Lebenszyklus nutzen
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.
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
-
Datenaufbereitung
Durchlaufen Sie schnell die Datenaufbereitung in Apache Spark-Clustern innerhalb von Azure Machine Learning im gewünschten Umfang (interoperabel mit Azure Synapse Analytics).
-
Feature Store
Steigern Sie die Agilität beim Versand Ihrer Modelle, indem Sie Features in mehreren Arbeitsbereichen mit verwaltetem Feature Store auffindbar und wiederverwendbar machen.
-
Kollaborative Notebooks
Starten Sie Ihr Notebook in Jupyter Notebook oder Visual Studio Code, um eine umfassende Entwicklungsumgebung zu nutzen, einschließlich Debuggen und Unterstützung für die Git-Quellcodeverwaltung.
-
Automatisiertes maschinelles Lernen
Erstellen Sie mit automatisiertem maschinellem Lernen schnell genaue Modelle zur Klassifizierung, für die Regression, für Zeitreihenvorhersagen, Verarbeitungsaufgaben in natürlicher Sprache und für Aufgaben im Bereich des maschinellen Sehens.
-
Maschinelles Lernen per Drag & Drop
Verwenden Sie Machine Learning-Tools wie den Designer für die Datentransformation, das Modelltraining und die Modellauswertung, oder zum einfachen Erstellen und Veröffentlichen von Machine Learning-Pipelines.
-
Verantwortungsvolle KI
Erstellen Sie verantwortungsvolle KI-Lösungen mit Interpretierbarkeitsfunktionen. Bewerten Sie die Modellfairness, und vermeiden Sie Unfairness mithilfe von Abweichungsmetriken.
-
Registrierungen
Verwenden Sie organisationsweite Repositorys, um Modelle, Pipelines, Komponenten und Datasets über mehrere Arbeitsbereichen hinweg zu speichern und freizugeben. Erfassen Sie Herkunft, und steuern Sie Daten mithilfe des Überwachungspfadfeatures.
-
Verwaltete Endpunkte
Verwenden Sie verwaltete Endpunkte, um die Modellbereitstellung und -bewertung zu operationalisieren, Metriken zu protokollieren und sichere Modellrollouts durchzuführen.
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.
-
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
Azure Machine Learning-Ressourcen
Komplexere Tutorials
- Trainieren von Machine Learning-Modellen
- Optimierung der Hyperparameter eines Modells
- Machine Learning-Pipelines mit dem Python SDK
- Trainieren von Klassifizierungsmodellen ohne Code
- Trainieren von Regressionsmodellen ohne Code mithilfe des Designers
- Überwachen und Analysieren von Aufträgen in Studio
- Modellverwaltung, Bereitstellung und Überwachung
- Entwickeln und Betreiben von Machine Learning-Lösungen
- End-to-End-MLOps
- Trainieren rechenintensiver Modelle
IDC MarketScape: MLOps 2022 Herstellerbewertung
Erfahren Sie, wie Unternehmen aus verschiedenen Branchen MLOps verwenden, um die Herausforderungen bei der Implementierung von KI- und Machine Learning-Technologien zu bewältigen.
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-Studie
Die von Microsoft in Auftrag gegebene Studie „Total Economic ImpactTM“ 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 sicherere, skalierbare und angemessene Lösungen für maschinelles Lernen erstellen.
Whitepaper: Verantwortungsvolle KI
Erfahren Sie, wie Sie sicherere, skalierbare und angemessene Lösungen für maschinelles Lernen erstellen.
MLOps-Whitepaper
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 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.