Navigation überspringen

Azure Machine Learning

Machine-Learning-Dienst für Unternehmen zur schnelleren Erstellung und Bereitstellung von Modellen

Beschleunigter vollständiger Lebenszyklus mit maschinellem Lernen

Bieten Sie Data Scientists und Entwicklern eine breite Palette an Produktivitätsfeatures, um Machine Learning-Modelle zu entwickeln, zu trainieren und bereitzustellen und die Zusammenarbeit im Team zu fördern. Beschleunigen Sie die Time-to-Market mit einem branchenführenden MLOps-Konzept (Machine Learning Operations) oder mit DevOps für Machine Learning. Schaffen Sie Innovationen mithilfe einer sicheren und vertrauenswürdigen Plattform, die verantwortungsvolles maschinelles Lernen unterstützt.

Machine Learning für alle Kenntnisstufen

Unabhängig vom Vorwissen der Benutzer die Produktivität steigern: mit Jupyter Notebook-Instanzen, dem Drag & Drop-Designer und automatisiertem ML

End-to-End-MLOps

Die robusten MLOps-Features ermöglichen die Erstellung und Bereitstellung umfangreichster Modelle mithilfe automatisierter und reproduzierbarer Machine Learning-Workflows.

Innovationen für Responsible Machine Learning

Mithilfe der breiten Palette integrierter Features für Responsible Machine Learning können Sie Daten, Modelle und Prozesse nachvollziehen, schützen und kontrollieren.

Offen und interoperabel

Optimale Unterstützung von Open-Source-Frameworks und Sprachen wie MLflow, Kubeflow, ONNX, PyTorch, TensorFlow, Python und R

Gesteigerte Produktivität durch maschinelles Lernen für alle Kenntnisstufen

Verwenden Sie unabhängig von Ihrem Vorwissen Tools, die Ihren Anforderungen gerecht werden, um Machine Learning-Modelle in kürzester Zeit zu erstellen und bereitzustellen. Verwenden Sie die integrierten Jupyter Notebook-Instanzen, die IntelliSense bieten, oder den Drag & Drop-Designer. Nutzen Sie automatisiertes ML, um schneller Modelle zu erstellen. Dabei stehen Ihnen leistungsstarke Funktionen wie das Feature Engineering, die Algorithmusauswahl und das Hyperparametersweeping zur Verfügung. Steigern Sie die Effizienz Ihrer Teams durch freigegebene Datasets, Notebooks, Modelle und anpassbare Dashboards, die den gesamten Machine Learning-Prozess nachverfolgen.

Operationalisierung nach Maß mit MLOps

Nutzen Sie MLOps, um den Machine Learning-Lebenszyklus von der Modellerstellung über die Bereitstellung bis hin zur Verwaltung zu optimieren. Erstellen Sie reproduzierbare Workflows mit Machine Learning-Pipelines. Zudem können Sie von der Cloud bis zum Edge Tausende Modelle ganz nach Bedarf trainieren, validieren und bereitstellen. Verwenden Sie verwaltete Online- und Batchendpunkte, um Modelle nahtlos bereitzustellen und zu bewerten, ohne die zugrunde liegende Infrastruktur zu verwalten. Verwenden Sie Azure DevOps oder GitHub Actions, um Machine Learning-Pipelines zu planen, zu verwalten und zu automatisieren. Mithilfe erweiterter Datendriftanalysen können Sie die Modellleistung immer weiter verbessern.

Verantwortungsvolle Machine Learning-Lösungen entwickeln

Nutzen Sie moderne Funktionen für verantwortungsvolles maschinelles Lernen, um Ihre Daten, Modelle und Prozesse zu verstehen, zu kontrollieren und zu schützen. Erläutern Sie das Modellverhalten während Trainings- und Rückschlussphasen, und gewährleisten Sie Fairness, indem Sie Voreingenommenheit im Modell erkennen und abschwächen. Sorgen Sie mit Differential Privacy-Techniken während des gesamten Machine Learning-Lebenszyklus dafür, dass Daten geschützt bleiben, und nutzen Sie Confidential Computing, um Machine Learning-Assets zu schützen. Zum Fördern der Verantwortlichkeit können Sie Überwachungspfade automatisch überwachen, die Datenherkunft nachverfolgen und Modelldatenblätter verwenden.

Innovationen mit einer offenen und flexiblen Plattform schaffen

Nutzen Sie Open-Source-Tools und -Frameworks, um Machine Learning-Modelle zu trainieren und Rückschlüsse aus diesen zu ziehen. Verwenden Sie gängige Frameworks wie PyTorch, TensorFlow und scikit-learn oder das offene Austauschformat ONNX. Arbeiten Sie mit den Entwicklungstools, die am besten für Ihre Anforderungen geeignet sind. Verfügbar sind z. B. gängige IDEs, Visual Studio Code, Jupyter Notebooks und CLIs sowie Sprachen wie Python und R. Mit der ONNX-Runtime optimieren und beschleunigen Sie Rückschlüsse auf Cloud- und Edgegeräten. Mit MLflow können Sie sämtliche Aspekte Ihrer Trainingsexperimente nachverfolgen.

Werden Sie mit Azure zum Experten für Machine Learning

Arbeiten Sie sich mit diesem 30-tägigen Lernpfad weiter in das Thema Machine Learning in Azure ein, und wenden Sie Ihr Wissen in praxisorientierten Tutorials an. Am Ende dieses Lernpfads werden Sie bereit sein, sich per Azure-Zertifizierung als Data Scientist Associate auszeichnen zu lassen.

Erweiterte Sicherheit, Governance und Hybridinfrastruktur

  • Dank der Interoperabilität mit Azure Arc können Sie Modelle in Ihrer Hybridinfrastruktur mithilfe von Kubernetes-Clustern lokal, in Multi-Cloud-Umgebungen und am Edge trainieren.
  • Nutzen Sie Sicherheitsfeatures wie die rollenbasierte Zugriffssteuerung, benutzerdefinierte Machine Learning-Rollen, virtuelle Netzwerke und private Verbindungen. Verwalten Sie die Governance mit Richtlinien, Audit Trails sowie Kontingent- und Kostenverwaltung.
  • Optimieren Sie die Compliance mit einem umfassenden Portfolio, das 60 Zertifizierungen enthält, darunter auch FedRAMP High und DISA IL5.

Wichtige Dienstfunktionen

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 in kürzester Zeit präzise Modelle für die Klassifizierung, Regression und Zeitreihenvorhersage. Nutzen Sie die Interpretierbarkeit von Modellen, um nachzuvollziehen, wie ein Modell erstellt wurde.

Maschinelles Lernen per Drag & Drop

Verwenden Sie Machine Learning-Tools wie den Designer mit Modulen für die Datentransformation, das Modelltraining und die Modellauswertung, oder zum einfachen Erstellen und Veröffentlichen von Machine Learning-Pipelines.

Datenbeschriftung

Nutzen Sie das durch maschinelles Lernen unterstützte Beschriftungsfeature, um Daten schnell aufzubereiten, Beschriftungsprojekte zu verwalten und zu überwachen sowie um iterative Aufgaben zu automatisieren.

MLOps

Nutzen Sie die zentrale Registrierung, um Daten, Modelle und Metadaten zu speichern und nachzuverfolgen. Erfassen Sie Daten zur Herkunft und Governance automatisch. Verwenden Sie Git zum Nachverfolgen von Arbeit, und nutzen Sie GitHub Actions zum Implementieren von Workflows. Verwalten und überwachen Sie Ausführungen, oder vergleichen Sie mehrere Ausführungen für Training und Experimente. Verwenden Sie verwaltete Endpunkte, um die Modellbereitstellung und -bewertung zu operationalisieren, Metriken zu protokollieren und sichere Modellrollouts durchzuführen.

Automatische Skalierung von Computeressourcen

Nutzen Sie verwaltete Computeressourcen für das Training und zum schnellen Testen, Validieren und Bereitstellen von Modellen. CPU- und GPU-Cluster können für einen Arbeitsbereich freigegeben und automatisch entsprechend Ihrer Machine Learning-Anforderungen skaliert werden.

Enge Verzahnung mit anderen Azure-Diensten

Beschleunigen Sie die Produktivität mithilfe der Integration mit Microsoft Power BI und Diensten wie Azure Synapse Analytics, Azure Cognitive Search, Azure Data Factory, Azure Data Lake, Azure Arc und Azure Databricks.

Hybrid- und Multi-Cloud-Unterstützung

Mit Azure Arc können Sie Machine Learning-Workloads auf vorhandenen Kubernetes-Clustern ausführen – und das lokal, in Multicloudumgebungen und am Edge. Mit dem Machine Learning-Agent starten Sie das Modelltraining mit größerer Sicherheit und mit nur einem Klick. Der Speicherort Ihrer Daten ist dabei unerheblich.

Reinforcement Learning

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.

Verantwortungsbewusstes Machine Learning

Verschaffen Sie sich mithilfe der Interpretationsfunktionen Modelltransparenz beim Training und Herleiten von Rückschlüssen. Bewerten Sie die Modellfairness, und vermeiden Sie Unfairness mithilfe von Ungleichheitsmetriken. Schützen Sie Daten mit Pipelines für Differential Privacy und Confidential Machine Learning.

Sicherheit auf Unternehmensniveau

Mit Funktionen wie der Netzwerkisolation und Private Link, der rollenbasierten Zugriffssteuerung für Ressourcen und Aktionen, benutzerdefinierten Rollen und der verwalteten Identität für Computeressourcen können Sie Modelle noch sicherer erstellen und bereitstellen.

Kostenmanagement

Mithilfe der Kontingentgrenzwerte für Arbeitsbereiche und Ressourcen können Sie die Ressourcenzuordnung für Compute-Instanzen in Azure Machine Learning besser verwalten.

Bezahlen Sie nutzungsbasiert – ohne Vorabkosten

Weitere Informationen finden Sie auf der Preisseite zu Azure Machine Learning.

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.

Prinzipien der Data Science

Viele Menschen, die mit Daten arbeiten, haben Fähigkeiten im Bereich Mathematik, Programmieren oder einer speziellen Domäne erworben, aber in der richtigen Data Science werden alle drei benötigt. Dieses ausführliche E-Book hilft, diese Lücken zu füllen.

Ein Forrester Wave-Leader (2020)

Forrester nennt Microsoft Azure Machine Learning in The Forrester Wave™ als Leader: Notebook-based Predictive Analytics and Machine Learning (Notebookbasiertes Herangehen an Predictive Analytics und Machine Learning), Q3 2020

Azure Machine Learning verwenden

Machine Learning Studio-Webfunktionen aufrufen

Erstellen und Trainieren

Bereitstellen und Verwalten

Schritt 1 von 1

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

Schritt 1 von 1

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.

Schritt 1 von 1

Stellen Sie Ihr Machine Learning-Modell in der Cloud oder am Edge bereit, überwachen Sie die Leistung, und trainieren Sie nach Bedarf erneut.

Jetzt mit Azure Machine Learning durchstarten

Wenn Sie sich für ein kostenloses Azure-Konto registrieren, erhalten Sie sofortigen Zugriff und ein Guthaben von $200.

Melden Sie sich beim Azure-Portal an.

Kunden, die Azure Machine Learning nutzen

"The model we deployed on Azure Machine Learning helped us choose three new retail locations. Those stores exceeded their revenue plans by over 200 percent [that] December, the height of our season, and within months of opening were among the best-performing stores in their districts."

Jolie Vitale, Director of BI and Analytics, Carhartt
Carhartt

"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."

Ignasi Paredes-Oliva, Lead Data Scientist, Nestlé Global Security Operations Center
Nestle Italia

"Azure Machine Learning allows us to manage the entire lifecycle, from experimentation and development to production and enhancements."

Joey Chua, Senior Manager Machine Learning Engineering, AGL
AGL

"With model interpretability in Azure Machine Learning, we have a high degree of confidence that our machine learning model is generating meaningful and fair results."

Daniel Engberg, Head of Data Analytics and Artificial Intelligence, Scandinavian Airlines
Scandinavian Airlines

"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."

Michael Cleavinger, Senior Director of Shopper Insights Data Science and Advanced Analytics, PepsiCo
PepsiCo

"We see Azure Machine Learning and our partnership with Microsoft as critical to driving increased adoption and acceptance of AI from the regulators."

Alex Mohelsky, Partner and Advisory Data, Analytic, and AI Leader, EY Canada
EY

Updates, Blogs und Ankündigungen zu Azure Machine Learning

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 % garantiert.
  • 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 Ihr kostenloses Azure-Konto ein.