Azure Machine Learning
Ein Dienst 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 Features für MLOps (Machine Learning Operations), Open-Source-Interoperabilität und integrierten Tools. Schaffen Sie Innovationen mithilfe einer sicheren und vertrauenswürdigen Plattform, die verantwortungsvolles maschinelles Lernen (ML) unterstützt.
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.
Operationalisieren im großen Stil
Stellen Sie Modelle mit nur einem Klick bereit, und nutzen Sie MLOps für die effiziente Verwaltung und Governance.
Bereitstellen verantwortungsvoller Lösungen
Es wird beschrieben, wie Sie Daten und Modelle verstehen und schützen, bei der Entwicklung auf Fairness achten und die Modellqualität verbessern können.
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.
Potenzielle Verdreifachung des ROI bei ML-Projekten
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 (ML)-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 ML
Automatisch präzise Modelle trainieren und optimieren.
Designer für Drag & Drop
Entwurf mit Drag & Drop-Entwicklungsschnittstelle.
Experimente
Führen Sie Experimente aus, und erstellen und teilen Sie benutzerdefinierte Dashboards.
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
Verwenden Sie die Bereitstellung mit nur einem Klick für Batch- und Echtzeit-Rückschlüsse.
Pipelines und CI/CD
Automatisieren Sie Machine Learning-Workflows.
Vorkonfigurierte Images
Greifen Sie auf Containerimages mit Frameworks und Bibliotheken für Rückschluss zu.
Modell-Repository
Modell und Daten teilen und nachverfolgen.
Hybrid und Multicloud
Hiermit trainieren und stellen Sie Modelle lokal und in ganz Multicloud bereit.
Modelle optimieren
Beschleunigen Sie Training und Rückschluss und senken Sie die Kosten mit ONNX Runtime.
Überwachen und analysieren
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 ML-Artefakte auf Konformität.
Richtlinien
Nutzen Sie integrierte und benutzerdefinierte Richtlinien für die Complianceverwaltung.
Sicherheit
Profitieren Sie von einer kontinuierlichen Überwachung mit Azure Security Center.
Kosten verwalten
Kontingentverwaltung und automatisches Herunterfahren anwenden.
Verkürzen der Amortisationszeit dank einer schnellen und präzisen Modellentwicklung
Steigern Sie die Produktivität mit Studio – der Entwicklungsoberfläche, die alle ML-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 ML 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 die umfassende Visual Studio Code-Integration, 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 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 darüber hinaus während des gesamten Lebenszyklus die Überprüfbarkeit und Governance mit standardmäßig verfügbaren Nachverfolgungs- und Herkunftsfunktionen für alle ML-Artefakte.
Bereitstellen von verantwortungsvollen Machine Learning-Lösungen
Greifen Sie auf branchenführende Funktionen für verantwortungsvolle KI zu, um die Transparenz von Modellen zu erhöhen und die Zuverlässigkeit zu verbessern. Machen Sie sich mit Modellen vertraut, indem Sie die standardmäßig vorhandenen Visualisierungen verwenden, und ermitteln Sie die Auswirkungen von Features auf Vorhersagen per Was-wäre-wenn-Analyse. Geben Sie Graphen zur Modellerklärung für Ihr Team frei, um die Konformität sicherzustellen. Nutzen Sie hochmoderne Algorithmen, um Modelle auf Fairnessprobleme zu testen, vergleichen Sie unterschiedliche Modelle, und ergreifen Sie Maßnahmen zur Behebung der Probleme. Identifizieren und debuggen Sie Modellfehler mit dem Toolkit für die Fehleranalyse, um die Modellgenauigkeit zu verbessern.
Schaffen von Innovationen auf einer Hybridplattform mit höherer Sicherheit und Konformität
Erhöhen Sie die Sicherheit während des gesamten ML-Lebenszyklus mit umfassenden Funktionen, die die Bereiche Identität, Authentifizierung, Daten, Netzwerk, Überwachung, Governance und Compliance abdecken. Entwickeln Sie ML-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 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 Kurses sind Sie auf die Zertifizierung als Azure Data Scientist Associate vorbereitet.
Wichtige Dienstfunktionen für den gesamten ML-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 Datenaufbereitung mit PySpark durch, indem Sie die standardmäßig vorhandene Integration mit Azure Synapse Analytics nutzen.
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, 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 ML-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.
Enge Verzahnung mit anderen Azure-Diensten
Beschleunigen Sie die Produktivität mithilfe der Integration mit 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 Machine Learning-Agent starten Sie das Modelltraining mit größerer Sicherheit und mit nur einem Klick. 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
Ermöglichen Sie es der IT-Abteilung, die Kosten zu reduzieren und Ressourcenzuordnungen für Compute-Instanzen besser zu verwalten, indem Kontingentgrenzen auf Arbeitsbereichs- und Ressourcenebene und das automatische Herunterfahren genutzt werden.
Bezahlen Sie nutzungsbasiert – ohne Vorabkosten
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.
Engineering-MLOps
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.
The Forrester WaveTM 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
Potenzielle Verdreifachung des projizierten ROI-Bereichs – Forrester Total Economic ImpactTM (TEI)
Forrester Total Economic Impact™ (TEI) ist eine in Auftrag gegebene Studie, die von Forrester Consulting durchgeführt wurde. Sie umfasst ein Framework zur Bewertung der potenziellen finanziellen Auswirkungen von Azure Machine Learning auf Organisationen.
Machine Learning-Lösungen für Unternehmen: Whitepaper
Machine Learning-Lösungen für Unternehmen: Whitepaper
Verantwortungsvolle KI: Whitepaper
Nutzen Sie die Tools und Methoden zum Verstehen, Schützen und Steuern Ihrer Modelle.
Machine Learning Operations (MLOps): Whitepaper
Beschleunigen Sie den Prozess des Entwickelns, Trainierens und Bereitstellens von Modellen im großen Stil.
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 und 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.
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 per CLI
- Trainieren eines Modells mit der Visual Studio Code-Erweiterung
Komplexere Tutorials
Ausgewählte Videos
- Vordefinierte Docker-Images für Rückschlüsse in Azure Machine Learning
- Verwaltete Endpunkte
- PyTorch Enterprise in Microsoft Azure
- Ortsunabhängige Ausführung von Machine Learning
- Neuerungen in Azure Machine Learning
- Demokratisieren von KI mit dem Azure Machine Learning-Designer
- Werden Sie mit automatisiertem ML zum „ML Hero“
- Bearbeiten und Ausführen von Jupyter Notebooks, ohne Azure Machine Learning Studio zu verlassen
- MLOps-Feature im Detail: Verwalten von Assets, Artefakten und Code
- Verantwortungsvolles ML: Erste Schritte und Analysieren Ihrer Modelle
- Steigern Ihrer Produktivität per Datenbeschriftung in Azure Machine Learning
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
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 – Digitalpartner von Deutsche Bahn – hat für Reisende eine Lösung mit dem Namen „Digitaler Blindenhund“ entwickelt. Mit Microsoft Azure Machine Learning dauert es nur wenige Stunden, ein neues Modell basierend auf neuronalen Netzen zu trainieren.
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.