Azure Machine Learning
Verwenden eines Diensts auf Unternehmensniveau für den End-to-End-Machine Learning-Lebenszyklus
Erstellen von unternehmenskritischen Machine Learning-Modellen im großen Stil
Ermöglichen Sie es wissenschaftlichen Fachkräften für Daten und Entwicklern, qualitativ hochwertige Modelle schneller und auf zuverlässige Weise zu erstellen, bereitzustellen und zu verwalten. Reduzieren Sie die Amortisationszeit durch die Nutzung von branchenführenden Machine Learning-Vorgängen (Machine Learning Operations, MLOps), Open-Source-Interoperabilität und integrierten Tools. Schaffen Sie Innovationen mithilfe einer sicheren und vertrauenswürdigen Plattform, die verantwortungsvolle KI-Anwendungen im Machine Learning entwickelt wurde.
Schnelles Erstellen und Trainieren von Modellen
Verwenden Sie die Studio-Entwicklungsoberfläche, um auf integrierte Tools zuzugreifen und die erstklassige Unterstützung für Open-Source-Frameworks und -Bibliotheken zu nutzen.
Bereitstellen verantwortungsvoller Lösungen
Entwickeln Sie Modelle für Fairness und Erklärbarkeit, verwenden Sie sie bei der Bereitstellung verantwortungsbewusst, und regulieren Sie, um Datenherkunfts- und Complianceanforderungen zu erfüllen.
Operationalisieren im großen Stil
Stellen Sie ML-Modelle schnell und einfach bereit, und verwalten und steuern Sie sie effizient mit MLOps.
Schaffen von Innovationen auf einer Hybridplattform mit höherer Sicherheit
Führen Sie Machine Learning-Workloads an jedem Ort mit integrierten Features für Governance, Sicherheit und Compliance aus.
Bis zu 3-facher ROI für Machine Learning-Projekte
70 Prozent weniger Schritte für das Trainieren von Modellen
90 Prozent weniger Codezeilen für Pipelines
60 Compliancezertifizierungen
Einzige Plattform mit PyTorch Enterprise
Unterstützung für den End-to-End-Machine Learning-Lebenszyklus
Datenbeschriftung
Schulungsdaten bezeichnen und Bezeichnungsprojekten verwalten.
Datenaufbereitung
Integrieren Sie Analysemodule für die Datenerkundung und -vorbereitung.
Datasets
Greifen Sie auf Daten zu und erstellen und teilen Sie Datasets.
Notebooks
Gemeinsame Jupyter-Notebooks mit angefügter Computeressource verwenden.
Automatisiertes maschinelles Lernen
Automatisch präzise Modelle trainieren und optimieren.
Designer für Drag & Drop
Entwurf mit einer Drag & Drop-Entwicklungsschnittstelle.
Experimente
Führen Sie Experimente aus, und erstellen und teilen Sie benutzerdefinierte Dashboards.
Befehlszeilenschnittstelle
Beschleunigen Sie den Modelltrainingsprozess, während Sie in Azure Compute zentral hoch- und aufskalieren.
Visual Studio Code und GitHub
Verwenden Sie vertraute Tools, und wechseln Sie ganz einfach von lokalen zu cloudbasierten Schulungen.
Compute-Instanz
Entwickeln Sie in einer verwalteten und sicheren Umgebung mit Cloud-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 Modelle für Batch- und Echtzeitrückschlüsse schnell und einfach bereit.
Pipelines und CI/CD
Automatisieren Sie Machine Learning-Workflows.
Vorgefertigte Images
Greifen Sie auf Containerimages mit Frameworks und Bibliotheken für Rückschluss zu.
Modell-Repository
Modell und Daten teilen und nachverfolgen.
Hybrid und Multicloud
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.
Überwachung und Analyse
Daten, Modellen und Ressourcen nachverfolgen, protokollieren und analysieren.
Datendrift
Abweichungen erkennen, und die Modellgenauigkeit beibehalten.
Fehleranalyse
Debuggen Sie Modelle, und optimieren Sie die Modellgenauigkeit.
Überwachung
Verfolgen Sie Machine Learning-Artefakte für Compliance.
Richtlinien
Nutzen Sie integrierte und benutzerdefinierte Richtlinien für die Complianceverwaltung.
Sicherheit
Profitieren Sie von einer kontinuierlichen Überwachung mit Azure Security Center.
Kostenkontrolle
Kontingentverwaltung und automatisches Herunterfahren anwenden.
Verkürzen der Amortisationszeit dank einer schnellen und präzisen Modellentwicklung
Steigern Sie die Produktivität mit der Studiofunktion, der Entwicklungsoberfläche, die alle Machine Learning-Aufgaben zum Entwickeln, Trainieren und Bereitstellen von Modellen unterstützt. Arbeiten Sie mithilfe von Jupyter Notebooks zusammen, indem Sie die integrierte Unterstützung für beliebte Open-Source-Frameworks und -Bibliotheken nutzen. Erstellen Sie mit automatisiertem maschinellem Lernen in kurzer Zeit präzise Modelle, indem Sie Feature Engineering und die Funktionen für Hyperparameter-Sweeping verwenden. Greifen Sie auf den Debugger, den Profiler und die Erklärungen zu, um beim Trainieren die Modellleistung zu verbessern. Verwenden Sie umfassenden Visual Studio Code, um für das Training nahtlos von der lokalen Umgebung in die Cloud zu wechseln, und nutzen Sie die Autoskalierung mit leistungsstarken cloudbasierten CPU- und GPU-Clustern.
Operationalisieren im großen Stil dank Machine Learning Operations (MLOps)
Optimieren Sie die Bereitstellung und Verwaltung von Tausenden Modellen lokal, am Edge und in Multicloudumgebungen, indem Sie MLOps nutzen. Führen Sie die Bereitstellung und Bewertung von ML-Modellen in kürzerer Zeit durch, indem Sie vollständig verwaltete Endpunkte für Batch- und Echtzeitvorhersagen einsetzen. Verwenden Sie wiederholbare Pipelines, um Workflows für Continuous Integration und Continuous Delivery (CI/CD) zu automatisieren. Führen Sie die ständige Überwachung der Metriken zur Modellleistung durch, erkennen Sie Datendrift, und lösen Sie erneute Trainingsläufe aus, um die Modellleistung zu verbessern. Ermöglichen Sie während des gesamten Lebenszyklus die Überprüfbarkeit und Governance mit integrierten Nachverfolgungs- und Datenherkunftsfunktionen für alle Machine Learning-Artefakte.
Bereitstellen von verantwortungsvollen Machine Learning-Lösungen
Werten Sie Machine Learning-Modelle mit reproduzierbaren und automatisierten Workflows aus, um die Fairness, Erklärbarkeit, Fehleranalyse, kausale Analyse, Modellleistung und explorative Datenanalyse zu beurteilen. Erstellen Sie mithilfe der kausalen Analyse im Dashboard für verantwortungsvolle KI realistische Interventionen und Richtlinien, und generieren Sie zur Bereitstellungszeit eine Scorecard. Exportieren Sie die Scorecard in eine PDF-Datei, um verantwortungsvolle KI-Metriken zu kontextualisieren, und geben Sie sie für technische und nicht technische Zielgruppen frei, um Projektbeteiligte einzubeziehen und die Complianceüberprüfung zu optimieren.
Schaffen von Innovationen auf einer Hybridplattform mit höherer Sicherheit und Konformität
Erhöhen Sie die Sicherheit während des gesamten Machine Learning-Lebenszyklus mit umfassenden Funktionen, die die Bereiche „Identität“, „Authentifizierung“, „Daten“, „Netzwerk“, „Überwachung“, „Governance“ und „Compliance“ abdecken. Entwickeln Sie Machine Learning-Lösungen, die noch sicherer sind, indem Sie die benutzerdefinierte rollenbasierte Zugriffssteuerung, virtuelle Netzwerke, Datenverschlüsselung, private Endpunkte und private End-to-End-IP-Adressen nutzen. Führen Sie das Training und die Bereitstellung von Modellen lokal durch, um die Anforderungen an die Datenhoheit zu erfüllen. Verwenden Sie für die Verwaltung der Governance integrierte Richtlinien, und optimieren Sie die Compliance mit einem umfassenden Portfolio mit 60 Zertifizierungen, z. B. 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 vorbereitet.
Wichtige Dienstfunktionen für den gesamten Machine Learning-Lebenszyklus
Datenbeschriftung
Nutzen Sie das durch maschinelles Lernen unterstützte Beschriftungsfeature, um Beschriftungsprojekte zu erstellen, zu verwalten und zu überwachen und iterative Aufgaben zu automatisieren.
Datenaufbereitung
Führen Sie die interaktive Datenvorbereitung mit PySpark mithilfe von Azure Synapse Analytics aus.
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, Zeitreihenvorhersagen, Verarbeitungsaufgaben natürlicher Sprache und Maschinelles Sehen-Aufgaben. Verwenden Sie die Interpretierbarkeit von Modellen, um nachzuvollziehen, wie ein Modell erstellt wurde.
Maschinelles Lernen per Drag & Drop
Verwenden Sie Machine Learning-Tools, z. B. den Designer, für die Datentransformation, das Modelltraining und die Auswertung 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 die zugehörigen 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. Verbessern Sie die Zuverlässigkeit von Modellen, und identifizieren und diagnostizieren Sie Modellfehler mit dem Toolkit für die Fehleranalyse. Schützen Sie Daten mit Differential Privacy.
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.
Modellregistrierung und Überwachungsprotokoll
Nutzen Sie die zentrale Registrierung, um Daten, Modelle und Metadaten zu speichern und nachzuverfolgen. Erfassen Sie Daten zur Herkunft und Governance automatisch per Überwachungsprotokoll.
Git und GitHub
Verwenden Sie die Git-Integration, um die Arbeit und die GitHub Actions-Unterstützung für die Implementierung von Machine Learning-Workflows nachzuverfolgen.
Verwaltete Endpunkte
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.
Interoperabilität mit anderen Azure-Diensten
Beschleunigen Sie die Produktivität mithilfe von 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 Multi-Cloud-Unterstützung
Mit Azure Arc können Sie Machine Learning-Workloads in vorhandenen Kubernetes-Clustern ausführen – 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 privaten End-to-End-IP-Adressen, der rollenbasierten Zugriffssteuerung für Ressourcen und Aktionen, benutzerdefinierten Rollen und der verwalteten Identität für Computeressourcen können Sie Modelle noch sicherer erstellen und bereitstellen.
Kostenmanagement
Senken Sie die IT-Kosten, und verwalten Sie Ressourcenzuordnungen für Computeinstanzen mit Kontingentgrenzen auf Arbeitsbereichs- und Ressourcenebene und automatischem Herunterfahren besser.
Leitfaden, um Azure Machine Learning zu meistern
Erfahren Sie mehr über professionelle Methoden zum Erstellen automatisierter und hochgradig skalierbarer End-to-End-Machine Learning-Modelle und -Pipelines in Azure mit TensorFlow, Spark und Kubernetes.
MLOps-Whitepaper zur Entwicklung
Entdecken Sie einen systematischen Ansatz zum Erstellen, Bereitstellen und Überwachen von Machine Learning-Lösungen mit MLOps. Erstellen, testen und verwalten Sie Lebenszyklen für maschinelles Lernen in der Produktion schnell und im gewünschten Umfang.
Forrester WaveTM 2020-Bericht
Erfahren Sie, warum Forrester Azure Machine Learning als Spitzenreiter in „The Forrester WaveTM: Notebook-Based Predictive Analytics and Machine Learning“, Q3 2020, bezeichnet hat.
Forrester Total Economic ImpactTM (TEI)-Studie
Die Forrester Consulting Total Economic ImpactTM (TEI)-Studie, die von Microsoft in Auftrag gegeben wurde, untersucht die potenzielle Rendite (Return on Investment, ROI), die Unternehmen mit Azure Machine Learning erzielen können.
Whitepaper zu Machine Learning-Lösungen
Erfahren Sie, wie Sie sichere, skalierbare und faire Lösungen erstellen.
Whitepaper zu verantwortungsvoller KI
Erfahren Sie mehr über Tools und Methoden, mit denen Sie Ihre Modelle verstehen, schützen und steuern können.
Whitepaper zu Machine Learning-Vorgängen (MLOps)
Beschleunigen Sie den Prozess des Erstellens, Trainierens und Bereitstellens von Modellen im großen Umfang.
Umfassende Sicherheit und Compliance, integriert
-
Microsoft investiert jedes Jahr mehr als USD 1 Mrd. in die Forschung und Entwicklung der Cybersecurity.
-
Wir beschäftigen 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.
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 sowie die 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 führen Sie je nach Bedarf neue Trainingsläufe durch.
Bezahlen Sie nutzungsbasiert – ohne Vorabkosten
Erste Schritte mit einem kostenlosen Azure-Konto
Starten Sie kostenlos. Sie erhalten eine Gutschrift in Höhe von $200für die ersten 30 Tage. Während Sie über Ihre Gutschrift verfügen, können Sie viele unserer beliebtesten Dienste kostenlos nutzen – zusätzlich zu den über 40 weiteren Diensten, die immer kostenlos sind.
Gehen Sie, nachdem Ihre Gutschrift aufgebraucht ist, zur nutzungsbasierten Bezahlung über, um weiterhin dieselben kostenlosen Dienste zu verwenden. Zahlen Sie nur, wenn Sie mehr als Ihre kostenlosen monatlichen Kontingente verwenden.
Nach 12 Monaten erhalten Sie weiterhin mehr als 40 Dienste kostenlos – und zahlen weiterhin nur für das, was Sie über Ihre kostenlosen monatlichen Kontingente hinaus nutzen.
Kunden, die Azure Machine Learning nutzen
Nic Bourven, Chief Information Officer, AXA UK"We make it our mission to try new ideas and go beyond to differentiate AXA UK from other insurers. We see managed endpoints in Azure Machine Learning as a key enabler for our digital ambition."
Bikram Virk, Product Manager, AI und Machine Learning, FedEx"Customers expect timely and accurate information on their packages and a data-based delivery experience. We're helping FedEx stay on the leading edge with Azure Machine Learning, and we're building expertise for future projects."
Dr. Deepa Kasinathan, Product Manager und Group Leader, Robotron Datenbank-Software GmbH"The end-to-end pipeline (built with Azure Machine Learning) has all the features needed to develop and maintain machine learning models throughout their lifecycles."
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."
Michael Cleavinger, Senior Director of Shopper Insights, Data Science und 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."
Erzielen einer Vereinfachung für Bahnreisende
DB Systel, ein Digitalpartner von Deutsche Bahn, hat für Reisende die Digitaler Blindenhund-Lösung entwickelt. Mit Azure Machine Learning dauert es nur wenige Stunden, ein neues Modell basierend auf neuronalen Netzen zu trainieren.
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-Tools für Machine Learning per Drag & Drop
- Trainieren von Modellen mit der CLI
- Trainieren eines Modells mit der Visual Studio Code-Erweiterung
Komplexere Tutorials
- Automatisierte Machine Learning-Modelle trainieren und bereitstellen
- MLOps-Beispiele auf GitHub
- Verwenden des Designer-Tools 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
- Objekterkennungsmodelle automatisch trainieren
- Verarbeitungsmodelle für natürliche Sprache automatisch trainieren
- Entdecken Sie Beispiele für automatisiertes maschinelles Lernen mit Jupyter Notebook in GitHub
Ausgewählte Videos
- Vorgefertigte Docker-Images für Rückschlüsse
- Verwaltete Endpunkte
- PyTorch Enterprise in Azure
- Ortsunabhängige Ausführung von Machine Learning
- Demokratisieren von KI mit dem Machine Learning-Designer
- Erfahren Sie, wie Sie ein Machine Learning-Profi werden
- Azure Machine Learning Studio Notebooks
- Ressourcen, Artefakte und Code verwalten
- Erste Schritte und Analyse Ihrer Modelle
- Produktivität mit Datenbeschriftungen steigern
Updates, Blogs und Ankündigungen zu Azure Machine Learning
-
AKTUALISIEREN
Public preview: Azure Machine Learning updates
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.