Azure Machine Learning

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

Beschleunigter vollständiger Lebenszyklus mit maschinellem Lernen

Stellen Sie Entwicklern und Data Scientists zahlreiche Funktionen zur Verfügung, mit denen sie in kürzester Zeit Machine Learning-Modelle erstellen, trainieren und bereitstellen können. Verringern Sie Ihre Time-to-Market, und optimieren Sie die Zusammenarbeit zwischen Teams durch branchenführendes MLOps: DevOps für Machine Learning. Schaffen Sie Innovationen mithilfe einer sicheren und vertrauenswürdigen Plattform, die die Erstellung verantwortungsbewusster KI-Lösungen fördert.

Unabhängig vom Vorwissen der Benutzer die Produktivität steigern: mit dem Code-First-Ansatz und dem per Drag & Drop gesteuerten Designer sowie mithilfe von automatisiertem ML

Robuste MLOps-Funktionen, die sich in bestehende DevOps-Prozesse integrieren lassen und die Verwaltung des gesamten ML-Lebenszyklus unterstützen

Unvoreingenommene und interpretierbare Modelle nach neuesten wissenschaftlichen Erkenntnissen zur Erstellung verantwortungsbewusster KI-Lösungen in Kombination mit erhöhter Sicherheit und verbessertem Kostenmanagement für mehr Governance und Kontrolle

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

Mehr Produktivität und verbesserter Zugang zu ML für Benutzer mit unterschiedlichem Vorwissen

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 für die erste Schritten den No-Code-Designer. Für Code-First-Ansätze stehen Ihnen integrierte Jupyter-Notebooks zur Verfügung. Nutzen Sie die Benutzeroberfläche des automatisierten ML, um schneller Modelle zu erstellen. Zur Entwicklung äußerst präziser Modelle können Sie auf das integrierte Featureengineering, die Algorithmenauswahl und die Hyperparametersuche zugreifen.

Ergebnisse mit robustem MLOps messbar machen

MLOps (DevOps für Machine Learning) optimiert den gesamten Machine-Learning-Lebenszyklus von der Erstellung von Modellen bis hin zur Bereitstellung und Verwaltung. Verwenden Sie ML-Pipelines, um wiederholbare Workflows zu erstellen, und nutzen Sie eine umfassende Modellregistrierung, mit der Sie den Einsatz Ihrer Ressourcen nachverfolgen können. Mit modernen Benachrichtigungen und Funktionen zur Automatisierung von Machine Learning verwalten Sie Produktionsworkflows bedarfsgerecht. Von der Cloud bis hin zum Edge profilen und überprüfen Sie Machine Learning-Modelle und stellen diese bereit. So verwalten Sie ML-Produktionsworkflows entsprechend Ihren Anforderungen auf Unternehmensniveau.

Verantwortungsvolle KI-Lösungen erstellen

Nutzen Sie modernste Technologie zur Erstellung unvoreingenommener und transparenter Machine Learning-Modelle. Durch die Interpretierbarkeit von Modellen sind Sie in der Lage, Vorhersagen zu erklären und das Modellverhalten besser nachzuvollziehen. Mit gängigen Metriken zur Bestimmung der Unvoreingenommenheit, automatischen Vergleichen und der Umsetzung von empfohlenen Maßnahmen verringern Sie die Voreingenommenheit von Modellen.

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, Jupyter-Notebooks und CLIs sowie Sprachen wie Python und R. Mit der ONNX Runtime optimieren und beschleunigen Sie die das Ziehen von Rückschlüssen auf Cloud- und Edgegeräten.

Mehr Sicherheit, Governance und Kontrolle

  • Erstellen Sie Machine Learning-Modelle mit Azure, und profitieren Sie dabei von Sicherheit und Compliance auf Unternehmensniveau sowie von der Unterstützung virtueller Netzwerke.
  • Schützen Sie Ihre Ressourcen mit integrierten Kontrollmechanismen wie benutzerdefinierten Rollen, die den Zugriff auf Identitäten, Daten und Netzwerke steuern.
  • Beschränken Sie den Zugriff auf Ihr Unternehmensnetzwerk, oder setzen Sie Azure-Sicherheitsrichtlinien ein.
  • Verwalten Sie die Governance und Kontrollmechanismen mit Überwachungsprotokollen, Kontingenten, einer Kostenverwaltung und einem umfassenden Complianceportfolio.

Bezahlen Sie nutzungsbasiert – ohne Vorabkosten

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

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. Auch mit Notebooks und dem per Drag & Drop gesteuerten Designer können Sie Modelle erstellen.

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.
Lernen Sie die Dokumentation und die Tutorials kennen.

Kunden, die Azure Machine Learning nutzen

"If I have 200 models to train—I can just do this all at once. It can be farmed out to a huge compute cluster, and it can be done in minutes. So I'm not waiting for days."

Dean Riddlesden, Senior Data Scientist, Global Analytics, Walgreens Boots Alliance

Erfolgsstory lesen

Walgreens Boots Alliance

"With Azure Machine Learning, we can focus our testing on the most accurate models and avoid testing a large range of less valuable models. That saves months of time."

Matthieu Boujonnier, Analytics Application Architect und Data Scientist, Schneider Electric

Erfolgsstory lesen

Schneider Electric

"A key part of our transformation has been to embrace the cloud and the digital solutions and services that come with it. This includes a deep dive into AI and machine learning."

Diana Kennedy, Vice President for IT Strategy, Architecture and Planning, BP

Erfolgsstory lesen

BP

"By unifying our tech stack and bringing our engineers in Big Data and online software together with data scientists, we got our development time down from months to just a few weeks."

Naeem Khedarun, Principal Software Engineer (AI), ASOS

Erfolgsstory lesen

Asos

"The [Large Hadron Collider in Europe] pushes technology on many fronts...and produces data rates that are the largest in the world. We are an example of how to do analysis of large datasets."

Phil Harris, Assistant Professor of Physics, MIT

Erfolgsstory lesen

Fermilab

Borrowell unterstützt Kunden mithilfe von KI bei der Verbesserung ihrer Kreditwürdigkeit

Die innovative KI-Technologie von Borrowell erstellt auf Grundlage von Bonitätsbewertungen Empfehlungen, mit denen sich die Kreditwürdigkeit und finanzielle Lage von Kunden in Kanada verbessern lässt.

Erfolgsstory lesen

Borrowell

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 Verfügbarkeit von 99,9 % garantiert.
  • Azure Machine Learning Studio ist die wichtigste Ressource für den Machine Learning-Dienst. Sie stellt eine zentrale Anlaufstelle für Data Scientists und Entwickler bereit, 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.