Azure Machine Learning
Künstliche Intelligenz für jedermann – mit einer umfassenden, skalierbaren und vertrauenswürdigen Plattform mit Experiment- und Modellverwaltung
Beschleunigter vollständiger Lebenszyklus mit maschinellem Lernen
Empower data scientists and developers with a wide range of productive experiences to build, train, and deploy machine learning models and foster team collaboration. Accelerate time to market with industry-leading MLOps—machine learning operations, or DevOps for machine learning. Innovate on a secure, trusted platform, designed for responsible machine learning.
Machine Learning für alle Kenntnisstufen
Productivity for all skill levels, with Jupyter Notebooks, drag-and-drop designer, and automated machine learning
End-to-End-MLOps
Robust MLOps capabilities that enable creation and deployments of models at scale using automated and reproducible machine learning workflows
Innovationen für Responsible Machine Learning
Rich set of built-in responsible capabilities to understand, protect, and control data, models, and processes
Offen und interoperabel
Best-in-class support for open-source frameworks and languages including MLflow, Kubeflow, ONNX, PyTorch, TensorFlow, Python, and R
Boost productivity with machine learning for all skill levels
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
Take advantage of MLOps to streamline the machine learning lifecycle, from building models to deployment and management. Create reproducible workflows with machine learning pipelines, and train, validate, and deploy thousands of models at scale, from the cloud to the edge. Use managed online and batch endpoints to seamlessly deploy and score models without managing the underlying infrastructure. Use Azure DevOps or GitHub Actions to schedule, manage, and automate the machine learning pipelines, and use advanced data-drift analysis to improve model performance over time.
Verantwortungsvolle Machine Learning-Lösungen entwickeln
Access state-of-the-art responsible machine learning capabilities to understand, control, and help protect your data, models, and processes. Explain model behavior during training and inferencing, and build for fairness by detecting and mitigating model bias. Preserve data privacy throughout the machine learning lifecycle with differential privacy techniques and use confidential computing to secure machine learning assets. Automatically maintain audit trails, track lineage, and use model datasheets to enable accountability.
Innovationen mit einer offenen und flexiblen Plattform schaffen
Get built-in support for open-source tools and frameworks for machine learning model training and inferencing. Use familiar frameworks like PyTorch, TensorFlow, or scikit-learn, or the open and interoperable ONNX format. Choose the development tools that best meet your needs, including popular IDEs, Visual Studio Code, Jupyter Notebooks, and CLIs, or languages such as Python and R. Use ONNX Runtime to optimize and accelerate inferencing across cloud and edge devices. Track all aspects of your training experiments using MLflow.
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
Maximize productivity with IntelliSense, easy compute and kernel switching, and offline notebook editing. Launch your notebook in Visual Studio Code for a rich development experience, including secure debugging and support for Git source control.
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
Use the central registry to store and track data, models, and metadata. Automatically capture lineage and governance data. Use Git to track work and GitHub Actions to implement workflows. Manage and monitor runs, or compare multiple runs for training and experimentation. Use managed endpoints to operationalize model deployment and scoring, log metrics, and perform safe model rollouts.
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 Azure-Diensten wie Azure Synapse Analytics, Azure Cognitive Search, Azure Data Factory, Azure Data Lake, Azure Arc und Azure Databricks.
Hybrid- und Multi-Cloud-Unterstützung
Run machine learning on existing Kubernetes clusters on-premises, in multicloud environments, and at the edge with Azure Arc. Use the one-click machine learning agent to start training models more securely, wherever your data lives.
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.
Verantwortungsbewusstes Machine Learning
Get model transparency at training and inferencing with interpretability capabilities. Assess model fairness through disparity metrics and mitigate unfairness. Help protect data with differential privacy and confidential machine learning pipelines.
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
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.
Ressourcen
Tutorial für Anfänger
Komplexere Tutorials
Ausgewählte Videos
- Erste Schritte mit Azure Machine Learning
- Drag & Drop-Designer für Machine Learning
- Automatisiertes maschinelles Lernen für schnelle Modellerstellung
- Use Jupyter Notebooks effectively
- MLOps-Lebenszyklus verwalten
- Verantwortungsbewusstes Erstellen von Modellen
- Gesteigerte Produktivität durch Datenbeschriftung
Zusätzliche Ressourcen
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.
Sehen Sie sich die Dokumentation, die Tutorials, die Schnellstarts und die Entwicklerressourcen an.
Kunden, die Azure Machine Learning nutzen
Jolie Vitale, Director of BI and Analytics, Carhartt"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."
Ignasi Paredes-Oliva, Lead Data Scientist, Nestlé Global Security Operations Center"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."
Joey Chua, Senior Manager Machine Learning Engineering, AGL"Azure Machine Learning allows us to manage the entire lifecycle, from experimentation and development to production and enhancements."
Daniel Engberg, Head of Data Analytics and Artificial Intelligence, Scandinavian Airlines"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."
Michael Cleavinger, Senior Director of Shopper Insights Data Science and Advanced Analytics, PepsiCo"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."
Alex Mohelsky, Partner and Advisory Data, Analytic, and AI Leader, EY Canada"We see Azure Machine Learning and our partnership with Microsoft as critical to driving increased adoption and acceptance of AI from the regulators."
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.