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 verantwortungsvolle ML-Lösungen unterstützt.

ML für alle Kenntnisstufen

Produktivität für Mitarbeiter aller Kenntnisstufen: Programmieren Sie mit integrierten kollaborativen Notebooks und der Ein-Klick-Bedienung von Jupyter, und verwenden Sie den Drag-&-Drop-Designer oder automatisiertes maschinelles Lernen, um die Modellentwicklung zu beschleunigen.

End-to-End-MLOps

Robuste MLOps-Funktionen, die mit bestehenden DevOps-Prozesse integriert werden und die Verwaltung des gesamten ML-Lebenszyklus unterstützen

Hochmodernes, verantwortungsvolles ML

Verantwortungsvolle ML-Funktionen: Nachvollziehbare Modelle mit Interpretierbarkeit und Fairness, Schutz von Daten mit differenziellem Datenschutz und Confidential Computing sowie Steuerung des ML-Lebenszyklus mithilfe von Audit-Trails und Datenblättern.

Offen und interoperabel

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

Mehr Produktivität mit Machine Learning 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. Greifen Sie mit nur einem Klick auf die in Studio integrierten Jupyter-Notebooks zu. Statten Sie Notebooks schnell mit der benötigten Rechenleistung aus, und tauschen Sie Computekomponenten und Kernels mühelos aus. Nutzen Sie IntelliSense und Codebearbeitungsfunktionen in Notebooks sowie die Freigabe- und Zusammenarbeitsfunktionen für Teams. Verwenden Sie den codefreien Designer für den Einstieg mit visuellem maschinellen Lernen, oder beschleunigen Sie die Modellerstellung mit automatisiertem maschinellen Lernen. Zur Entwicklung äußerst präziser Modelle können Sie auf das integrierte Feature Engineering, die Algorithmusauswahl und das Hyperparametersweeping zugreifen.

Operationalisierung nach Maß mit MLOps

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 ML-Lösungen entwickeln

Nutzen Sie moderne Funktionen für verantwortungsvolle ML, um Ihre Daten, Modelle und Prozesse zu verstehen, zu schützen und zu kontrollieren. 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 ML-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, 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.

Erweiterte Sicherheit und Governance

  • Vertrauen Sie bei der Entwicklung in Azure von Anfang an auf die Sicherheit einer vertrauenswürdigen Cloud.
  • Schützen Sie den Zugriff auf Ihre Ressourcen durch einen granularen rollenbasierten Zugriff, benutzerdefinierte Rollen und integrierte Mechanismen für die Benutzerauthentifizierung.
  • Isolieren Sie Ihr Netzwerk mithilfe von Virtual Networks und Private Links, um auf sichere Weise Modelle zu erstellen, zu trainieren und bereitzustellen.
  • Verwalten Sie 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

Integrierte Jupyter-Notebooks mit Ein-Klick-Bedienung Maximieren Sie die Produktivität dank IntelliSense, einfacher Bereitstellung von Rechenleistung und Kernelwechsel sowie der Offlinebearbeitung von Notebooks.

Automatisiertes ML

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

Machine Learning per Drag & Drop

Verwenden Sie den Designer mit Modulen für die Datentransformation, das Modelltraining und die Modellauswertung, oder zum Erstellen und Veröffentlichen von ML-Pipelines mit nur wenigen Klicks.

Datenbeschriftung

Nutzen Sie das durch maschinelles Lernen unterstützte Beschriftungsfeature, um schnell Daten vorzubereiten, 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.

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 ML-Anforderungen skaliert werden.

RStudio-Integration

Verwenden Sie die integrierte R-Unterstützung und die RStudio Server-Integration (Open-Source-Edition) zum Erstellen und Bereitstellen von Modellen sowie zum Überwachen von Ausführungen.

Enge Verzahnung mit anderen Azure-Diensten

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

Vertiefendes Lernen

Skalieren Sie vertiefendes Lernen auf leistungsstarke Computecluster, unterstützen Sie Szenarios mit mehreren Agents, und greifen Sie auf Open-Source-RL-Algorithmen, Frameworks und Umgebungen zu.

Verantwortungsvolles maschinelles Lernen

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 Differential Privacy.

Unternehmenssicherheit

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 auf sichere Weise erstellen und bereitstellen.

Kostenmanagement

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

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.

Kunden, die Azure Machine Learning nutzen

"The model we deployed on Azure Machine Learning helped us choose the three new retail locations we opened in 2019. Those stores exceeded their revenue plans by over 200 percent in 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

Scandinavian Airlines

Mit Azure Machine Learning kann SAS Betrug mit einer Genauigkeit identifizieren, die nicht mit manuellen Methoden möglich war. Beim rückwirkenden Registrieren eines Flugs für EuroBonus-Meilen (eine gängige Betrugsquelle) sagt das neue System Betrugsversuche mit einer Genauigkeit von 99 % voraus.

Scandinavian Airlines

"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
Walgreens Boots Alliance

"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

"The automated machine learning capabilities in Azure Machine Learning save our data scientists from doing a lot of time-consuming work, which reduces our time to build models from several weeks to a few hours."

Xiaodong Wang: Chief Executive Officer, TalentCloud
TalentCloud

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.