Machine Learning Operations (MLOps)
Beschleunigen der Automatisierung, Zusammenarbeit und Reproduzierbarkeit von Machine Learning-Workflows
Optimierte Bereitstellung und Verwaltung von Tausenden von Modellen in Produktionsumgebungen, von der lokalen Umgebung bis zum Edge
Vollständig verwaltete Endpunkte für Batch- und Echtzeitvorhersagen zur schnelleren Bereitstellung und Bewertung von Modellen
Wiederholbare Pipelines zum Automatisieren von Machine Learning-Workflows für Continuous Integration/Continuous Delivery (CI/CD)
Überwacht kontinuierlich Metriken zur Modellleistung, erkennt Datendrift und löst ein erneutes Training aus, um die Modellleistung zu verbessern.
Innovationen schnell bereitstellen
MLOps – Machine Learning Operations, oder DevOps für maschinelles Lernen – ist die Schnittmenge von Personen, Prozessen und Plattformen, um geschäftlichen Nutzen aus Machine Learning zu gewinnen. Sie optimiert die Entwicklung und Bereitstellung durch Überwachung, Validierung und Governance von Machine Learning-Modellen.
Erstellen von Workflows und Modellen für maschinelles Lernen
Verwenden Sie Datasets und umfangreiche Modellregistrierungen, um Ressourcen nachzuverfolgen. Ermöglichen Sie eine verbesserte Nachverfolgbarkeit mit Nachverfolgung für Code, Daten und Metriken im Ausführungsverlauf. Erstellen Sie Machine Learning-Pipelines, um reproduzierbare Modellworkflows für eine konsistente Modellbereitstellung zu entwerfen, bereitzustellen und zu verwalten.
Stellen Sie ganz einfach hochgenaue Modelle überall bereit.
Stellen Sie schnell und zuverlässig bereit. Verwenden Sie verwaltete Onlineendpunkte, um Modelle auf leistungsstarken CPU- und GPU-Computern bereitzustellen, ohne die zugrunde liegende Infrastruktur zu verwalten. Paketieren Sie Modelle schnell, und stellen Sie mithilfe von Tools zur Modellprofilerstellung und -validierung in jedem Schritt eine hohe Qualität sicher. Verwenden Sie das kontrollierte Rollout, um Modelle in die Produktion zu bringen.
Effiziente Verwaltung des gesamten Machine Learning-Lebenszyklus
Nutzen Sie die integrierte Interoperabilität in Azure DevOps und GitHub Actions, um Workflows nahtlos zu verwalten und zu automatisieren. Optimieren Sie Modelltrainings- und Bereitstellungspipelines, erstellen Sie für CI/CD, um das erneute Training zu vereinfachen, und passen Sie maschinelles Lernen ganz einfach an Ihre vorhandenen Releaseprozesse an. Verwenden Sie die erweiterte Datendriftanalyse, um die Modellleistung im zeitlichen Verlauf zu verbessern.
Ressourcenübergreifende Governance erreichen
Verfolgen Sie den Versionsverlauf und die Herkunft des Modells für die Nachvollziehbarkeit. Legen Sie Compute-Kontingente für Ressourcen fest, und wenden Sie Richtlinien an, um die Einhaltung von Sicherheits-, Datenschutz- und Compliancestandards sicherzustellen. Nutzen Sie die erweiterten Funktionalitäten, um Governance- und Kontrollziele zu erreichen und die Modelltransparenz und Modellfairness zu fördern.
Von Interoperabilität mit MLflow profitieren
Erstellen Sie flexible und sicherere End-to-End-Workflows für maschinelles Lernen mit MLflow und Azure Machine Learning. Skalieren Sie Ihre vorhandenen Workloads nahtlos von der lokalen Ausführung auf die intelligente Cloud und den Edge. Speichern Sie Ihre MLflow-Experimente, führen Sie Metriken, Parameter und Modellartefakte im zentralisierten Azure Machine Learning Arbeitsbereich aus.
Beschleunigen der kollaborativen MLOps über Arbeitsbereiche hinweg
Unterstützen Sie arbeitsbereichsübergreifende Zusammenarbeit und MLOps mit Registrierungen. Hosten Sie Machine Learning-Ressourcen an einem zentralen Ort, sodass sie für alle Arbeitsbereiche in Ihrer Organisation verfügbar sind. Fördern Sie, teilen Sie und entdecken Sie Modelle, Umgebungen, Komponenten und Datasets teamübergreifend. Verwenden Sie Pipelines wieder, und stellen Sie Modelle bereit, die von Teams in anderen Arbeitsbereichen erstellt wurden, während die Herkunft und die Nachverfolgbarkeit erhalten bleiben.
Ressourcencenter
Machine Learning Operations in Aktion anzeigen
Erstellen von Machine Learning-Pipelines zum Entwerfen, Bereitstellen und Verwalten von Modellworkflows
Erstellen von Machine Learning-Pipelines zum Entwerfen, Bereitstellen und Verwalten von Modellworkflows
Automatisierung einer Machine Learning-Pipeline
Sam ist eine wissenschaftliche Fachkraft für Daten und arbeitet für einen Onlinemodehändler. Das Unternehmen hat vor Kurzem damit begonnen, maschinelles Lernen einzusetzen, um zeitnahe und genaue Empfehlungen bereitzustellen und so die Kundenzufriedenheit wie auch den Umsatz zu verbessern.
Nach einer Katalogaktualisierung wurde Sam gebeten, das Markenempfehlungsmodell zu aktualisieren – aber niemand weiß, woher das aktuelle Modell stammt. Er wendet sich an Azure Machine Learning, um einen reproduzierbaren und nachvollziehbaren Workflow zu erstellen.
Sam ist Data Scientist bei einem Onlinehändler und wurde damit beauftragt, das Empfehlungsmodell nach einem Katalogupdate zu überarbeiten. Sam sucht nach der Modellpipeline, doch niemand weiß, woher das Modell stammt.
Sam entscheidet sich für Azure Machine Learning, um einen nachvollziehbaren Workflow zu erstellen.
Verwenden Sie Azure Machine Learning mit Ihren vorhandenen Tools
Sam verwendet das Azure Machine Learning SDK, um seine Jupyter Notebook-basierte Arbeit in Azure Machine Learning zu verschieben und seine Skalierungs- und Zusammenarbeitsfunktionen zu nutzen. Unter Verwendung des von ihm gewählten Frameworks versioniert er seinen Trainingscode und seine Datensätze und verknüpft sie mit einem nachvollziehbaren Experiment.
Erfassen der Metriken jeder Experimentausführung
Jedes Mal, wenn Sam eine Ausführung vornimmt, verfolgt Azure Machine Learning die zugehörigen Metriken und protokolliert sie zur Überprüfung. Hiermit werden die Eingaben (z. B. Datasets, Code und Parameter) und Ausgaben (z. B. Protokolle, Metriken und Modelle) für die Bewertung und Vergleiche erfasst.
Modelle und Experimente im Arbeitsbereich überprüfen
Während Sam weiterhin in seiner Notebook-Umgebung arbeitet, verwendet sein Team das Azure Machine Learning Studio, um die Ablaufverfolgung vom endgültigen Modell in der Modellregistrierung über jedes Asset und jeden Schritt, der zum Erstellen des Modells verwendet wird, einfach nachzuverfolgen.
Wiederverwendbare Pipelines für Effizienz und Konsistenz erstellen
Sam erstellt eine wiederverwendbare Machine Learning-Pipeline, um einen Modelltrainingsworkflow bereitzustellen und bei Änderungen an Quelldaten automatisch auszulösen. Falls erforderlich, kann er das Ergebnis von einzelnen Schritten wiederverwenden, ohne die Eingaben zu ändern.
Erstellen von reproduzierbaren Machine-Learning-Pipelines
Sam hat einen reproduzierbaren und nachverfolgbaren Workflow mithilfe von Azure Machine Learning erstellt. Jedes Modell, welches das Team erstellt, ist jetzt an eine experimentelle Ausführung zur Überprüfung und Iteration gebunden. Mit einer reproduzierbaren Pipeline lässt Sam Azure Machine Learning das erneute Training automatisieren, während er sich auf die nächste große Sache konzentriert.
Azure Machine Learning hilft Ihnen beim Erstellen von Machine Learning-Pipelines auf Unternehmensniveau durch Reproduzierbarkeit und Nachverfolgbarkeit. Dies führt zu einer konsistenteren Modellbereitstellung mit weniger Variabilität und erhöhter Fehlertoleranz.
Weitere Informationen zu Machine Learning-Pipelines Durchsuchen Sie das GitHub-Repository für diese Demo.
Durch den Einsatz von Azure Machine Learning konnte Sam einen reproduzierbaren und nachvollziehbaren Workflow erstellen. Wenn das Team jetzt ein Modell entwickelt, ist dieses an eine Experimentausführung gebunden, die das Team überprüfen und durchlaufen kann. Mit einer reproduzierbaren Pipeline kann Sam das erneute Training in Azure Machine Learning automatisieren, während er sich auf das nächste Projekt konzentriert.
Mit Azure Machine Learning können Sie Machine-Learning-Pipelines für Unternehmen erstellen, indem Sie sich die Reproduzierbarkeit und Nachvollziehbarkeit zunutze machen. So können Sie Modelle konsistenter und mit erhöhter Fehlertoleranz bereitstellen.
Weitere Informationen zu Machine Learning-Pipelines Durchsuchen Sie das GitHub-Repository für diese Demo.
Schnelle Bereitstellung mithilfe von automatischer Skalierung und verwalteten, verteilten Rückschlussclustern
Schnelle Bereitstellung mithilfe von automatischer Skalierung und verwalteten, verteilten Rückschlussclustern
Bereitstellen eines Webdienstendpunkts für ein Modell
Sam, eine wissenschaftliche Fachkraft für Daten, der für einen Onlinemodehändler arbeitet, hat Azure Machine Learning zu seinem Workflow hinzugefügt, um bessere Modelle zu erstellen. Seine automatisierte Pipeline hat gerade ein endgültiges Modell mit angefügten experimentellen Ergebnissen registriert, das eine verbesserte Leistung zeigt.
Das Webentwicklungsteam ist nicht sicher, wie ein Machine Learning-Modell in die Web-App eingebettet werden soll, und hat stattdessen nach einem Webdienst gefragt. Sam wendet sich an Azure Machine Learning, um Hilfe beim Hinzufügen eines Webdienstendpunkts zu seinem Modell zu erhalten.
Sam, eine wissenschaftliche Fachkraft für Daten bei einem Onlinehändler, hat Azure ML zum Erstellen und Registrieren eines Modells verwendet. Sein Web Dev-Team hat ihn nun um einen Web-Endpunkt zum Anrufen seines Modells bzgl. eines Rückschlusses gebeten. Sam verwendet Azure ML zum Erstellen dieses Webdienstendpunkts.
Abrufen aktueller Modelle und Profilerstellung für die Produktion
Sam ruft das neueste Modell aus der Registrierung ab und erstellt ein Profil, um zu sehen, welche Art von Ressourcen in der Produktion benötigt werden.
Pushen des Modells an Azure Container Instances
Mit den vorliegenden Profilerstellungsdaten verwendet Sam Azure Machine Learning, um das Modell in einen Container zu packen und es für Echtzeit- oder Batchrückschlüsse in Azure Container Instances bereitzustellen. Nach der Bereitstellung nutzt er die Funktionen zur automatischen Schemagenerierung und Überwachung in Azure Machine Learning.
Bereitstellungen auf unterschiedlichen skalierbaren Endpunkten und Implementierung von A/B-Tests
Mit nur wenigen Codezeilen pusht Sam dasselbe Modell in eine skalierbarere Azure Kubernetes Service (AKS)-Instanz und trainiert erweiterte A/B-Testfunktionen für die Neue-Modell-Überprüfung. Er kann jetzt Modelle überall dort bereitstellen, wo sie benötigt werden, von der Cloud bis zu Edge mithilfe von Computeoptionen wie CPU, GPU und FPGA.
Nutzung bereitgestellter Modelle für Webentwicklungsteams
Nachdem das Modell in einer AKS-Instanz bereitgestellt wurde, greift das Web Entwicklerteam auf den Webdienstendpunkt zu, um ihn aus seiner Anwendung für Echtzeit- oder Batchrückschlussanforderungen aufzurufen. Sam überwacht den Modellendpunkt auf Datendrift und andere Metriken, die bei Bedarf überwacht werden können.
Modelle überall dort veröffentlichen, wo sie benötigt werden
Sam hat sein Open-Source-Modell in einen produktionsbereiten Webdienst für sein Entwicklungsteam umgewandelt. Er konzentrierte sich weiterhin auf die Modellentwicklung, anstatt die vielen Technologien zu lernen, die für das Diensthosting erforderlich sind, darunter Kubernetes, Flask und Swagger.
Azure Machine Learning hilft Ihnen, Ihre Modelle nahtlos in ausgereifte und voll funktionsfähige Webdienste umzuwandeln. Dadurch können sie schnell in Anwendungen übernommen werden.
Informationen zum Bereitstellen von Modellen mit Azure Machine Learning
Mit Azure Machine Learning konnte Sam sein Open-Source-Modell schnell in einen produktionsbereiten Webdienst für das Entwicklungsteam umwandeln. Dabei konnte er sich auf die Modellentwicklung konzentrieren, anstatt sich in Hostingtechnologien für Dienste (z. B. Kubernetes, Flask und/oder Swagger) einzuarbeiten, die Data Scientists normalerweise nicht benötigen.
Mit Azure Machine Learning können Data Scientists ihre Modelle nahtlos in ausgereifte, vollständig ausgestattete Webdienste umwandeln, die schnell in Anwendungen integriert werden können.
Informationen zum Bereitstellen von Modellen mit Azure Machine Learning
Arbeiten Sie mit Azure DevOps und GitHub Actions zusammen, um Machine Learning-Workflows zu automatisieren.
Arbeiten Sie mit Azure DevOps und GitHub Actions zusammen, um Machine Learning-Workflows zu automatisieren.
Integration in Ihren DevOps-Workflow
Sam, eine wissenschaftliche Fachkraft für Daten, der für einen Onlinemodehändler arbeitet, verwendete Azure Machine Learning, um seine Modelle zu erstellen und bereitzustellen. Vor Kurzem hat er sein Modell für eine Produktionsinstanz von Azure Kubernetes Service (AKS) veröffentlicht, und das Webteam hat es mit vielversprechenden Ergebnissen in die Webanwendung integriert.
Rebecca, die Mitglied des Betriebsteams ist, möchte sicherstellen dass die Modellerstellung und -bereitstellung Teil des DevOps-Workflows ist. Sam ist sich nicht sicher, wie er es integrieren soll, also schult er Rebecca in Azure Machine Learning und arbeitet mit ihr zusammen, um zu ermitteln, wie es ihre beiden Anforderungen erfüllen kann.
Sam, ein Datenforscher, hat kürzlich Azure ML zum Erstellen und Bereitstellen von Modellen verwendet. Er hat gerade ein Modell für ihre Produktions-AKS-Instanz freigegeben. Rebecca möchte sie in ihre DevOps-Workflows integrieren. Sam verweist sie auf Azure ML.
Erstellen einer neuen Releasepipeline mit Azure Pipelines
Rebecca erstellt eine Pipeline in Azure Pipelines, um den Bereitstellungsprozess zu automatisieren. Der erste Schritt der Pipeline erledigt Aufgaben wie das Erstellen des Modells mit allen Abhängigkeiten und das Überprüfen auf Fehler. Um diese Pipeline automatisch auszulösen, stellt Rebecca eine Verbindung mit der Azure Machine Learning Modellregistrierung her und stellt sicher, dass sie immer dann gestartet wird, wenn ein neues Modell oder eine neue Version des Modells registriert wird.
Veröffentlichen des Modells zur Validierung
Rebecca fügt eine Aufgabe hinzu, um das Modell zur Überprüfung in Azure Container Instances zu veröffentlichen, bevor es in die Produktion wechselt. Sie verwendet die Azure CLI, um mit Azure Machine Learning zu interagieren. Es gibt ihr Zugriff auf die gleichen Funktionen in ihren Tools, die Sam in seinem Notebook hat. Dieser Schritt ahmt Integrationstests im DevOps-Prozess ihrer App nach.
Modell bei Überprüfung in die Produktion verschieben
Rebecca fügt eine Releasepipelineaufgabe hinzu, um das Modell mithilfe von AKS in der Produktion bereitzustellen. Bevor diese Aufgabe aktiviert wird, konfiguriert Rebecca ein Gate, das von einem Lead oder Vorgesetzten bewertet und genehmigt werden muss, bevor der Vorgang fortgesetzt wird. Dadurch wird sichergestellt, dass die Pipeline keine größeren Unterbrechungen verursacht, wenn bei den skriptgesteuerten Überprüfungen kein Problem aufgetreten ist.
Datendrifterkennung einrichten, um erneutes Training auszulösen
Während Rebecca die automatisierte Pipeline zum Bereitstellen der Modelle einrichtet, aktiviert Sam die Datendriftüberwachung mit Azure Machine Learning. Durch die Überwachung der Dienstnutzung kann er sehen, ob die Rückschlussanforderungen in der Produktion vom Trainingsdataset abweichen. Dies weist darauf hin, dass ein erneutes Training erforderlich ist.
Überwachen der Stabilität und Leistung des Diensts
Mit Application Insights, einem Feature von Azure Monitor, überwacht Rebecca Dienstvorgänge wie die Anzahl von Anforderungen, die Auslastung des AKS-Clusters und die Antwortwartezeit, während Sam die Modellleistung überwacht, um zu bestimmen, ob Optimierungen durchgeführt werden sollen.
Optimierten Modellworkflow erstellen
Rebecca hat Azure Machine Learning in ihren DevOps-Workflow integriert, von der Releaseautomatisierung bis hin zur Produktionsüberwachung. Während sie den Dienstvorgang im Blick behält, überwacht und verwaltet Sam die Modellleistung und optimiert sie bei Bedarf.
Azure Machine Learning hilft dabei, Data Science im DevOps-Prozess Ihrer Organisation zu integrieren, was zu zuverlässigeren und robusteren Machine Learning-Projekten führt.
Azure Machine Learning ist jetzt eng mit Rebeccas vorhandenem DevOps-Workflow verzahnt: von der Releaseautomatisierung über die Überwachung der Produktion durch native Integration in vorhandene Tools wie Azure DevOps und Azure Application Insights. Während Rebecca die Dienstvorgänge im Auge behält, kann Sam dank der Azure Machine Learning-Tools die Leistung des Modells überwachen und nach Bedarf Optimierungen vornehmen.
Dank Azure Machine Learning kann Data Science eine wichtige Rolle im DevOps-Prozess Ihrer Organisation einnehmen und die Zuverlässigkeit und Stabilität Ihrer Machine-Learning-Projekte steigern.
Governance- und Kostenverwaltung für Ihre Machine Learning-Projekte verbessern
Governance- und Kostenverwaltung für Ihre Machine Learning-Projekte verbessern
Machine Learning Model Governance wird aktiviert
Phil, der IT-Manager bei einem Onlinemodehändler, ist begeistert von der Arbeit, welche die Data Science- und Betriebsteams mit Azure Machine Learning geleistet haben.
Obwohl Phil für die IT-Infrastruktur des Unternehmens verantwortlich ist, ist er sich nicht sicher, was sich gerade in der Produktion befindet, wer darauf Zugriff hat, oder wie viel es kosten wird. Er beschließt, Azure Machine Learning zu verwenden, um ihm bei der Erfüllung seiner Governance-Verantwortung zu helfen.
Phil, der IT-Manager eines Onlineeinzelhändlers, freut sich über die Arbeit von Sam und Rebecca. Aber Phil ist für die IT-Infrastruktur verantwortlich und weiß nicht, wie Governance rund um das ML-Projekt sichergestellt werden kann. Er sieht sich Azure ML an, um Hilfe zu erhalten.
Modelle in der Produktion überprüfen
Phil verwendet Azure Machine Learning, um die Produktionsendpunkte zu prüfen. Er kann zusammen mit den Ergebnissen der Modellerklärungen und der Fairnessanalyse zu den zugrunde liegenden Modellen und Experimenten zurücknavigieren. Dadurch wird sichergestellt, dass er jeden Schritt im Modellerstellungsprozess nachverfolgt und eine Modellprüfung auf etwaige Verzerrungen ermöglicht.
Überprüfen der Auditingprotokolle auf detaillierte Modellverläufe
Phil greift auf die Überwachungsprotokolle von Azure Machine Learning zu. Sie ergänzen die Rückverfolgbarkeit in den Modellen und Experimenten durch ein detailliertes Protokoll, das jede Aktion (Datum, Uhrzeit und Benutzer) verfolgt. Diese Protokolle helfen Phil dabei, Aktionen zu verfolgen, die innerhalb oder durch den Dienst für die unternehmensweite Rechenschaftspflicht initiiert wurden.
Schützen Sie den Arbeitsbereich mithilfe der Azure Identity und Access Management-Verwaltung.
Phil verwendet Identitäts- und Zugriffsverwaltungslösungen von Azure, um den Zugriff auf den Azure Machine Learning-Arbeitsbereich zu verwalten. Er verwendet sowohl integrierte Rollen als auch benutzerdefinierte Rollen, um Aufgaben einzuschränken, die Benutzer ausführen können, und den Zugriff auf Ressourcen zu steuern.
Gewährleisten eines verantwortungsbewussten Umgangs mit Azure-Ressourcen
Phil verwendet die Kontingentfunktion, um Ressourcenlimits und -freigaben zu konfigurieren. Dies hilft ihm, Ausgaben zu verwalten, Kosten zu kontrollieren und eine gerechte Ressourcenverteilung zwischen den Teams sicherzustellen. Es fördert auch die Rechenschaftspflicht der jeweiligen Projektteams.
Modellgovernance und Compliance erreichen
Phil kann jetzt sehen, was sich in Produktion befindet, und er kann die organisatorische Compliance durch Audits, rollenbasierte Zugriffskontrolle und Kontingentverwaltung sicherstellen. Er schätzt, wie Azure Machine Learning nicht nur die Data Science- und Betriebsteams unterstützt, sondern auch die von ihm benötigten Governance-Funktionen auf Unternehmensniveau bereitstellt.
Azure Machine Learning bietet die organisatorischen Kontrollen, die für den Erfolg von Machine-Learning-Projekten unerlässlich und sicherer sind.
Azure Machine Learning überwachen Planen und Verwalten von Kosten für Azure Machine Learning
Phil sieht insbesondere die Tatsache als Vorteil an, dass Azure Machine Learning nicht nur die Data-Science-Teams und Betriebsteams unterstützt, sondern auch Governancefunktionen auf Unternehmensniveau bietet, mit denen er seinen Pflichten nachkommen kann. Er kann genau sehen, was sich in der Produktion befindet, und die Compliance der Organisation durch Auditing, rollenbasierte Zugriffssteuerung und Kontingentverwaltung sicherstellen.
Azure Machine Learning bietet Unternehmen die nötigen Kontrollfunktionen, um Machine-Learning-Projekte sicher und erfolgreich zu gestalten.
Azure Machine Learning überwachen Planen und Verwalten von Kosten für Azure Machine Learning
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.
Erste Schritte mit einem kostenlosen Azure-Konto
Beginnen Sie kostenlos. Erhalten Sie eine Gutschrift in Höhe von $200 für 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.
Erfahren Sie, wie Kunden einen Mehrwert durch Machine Learning Operations bereitstellen.
FedEx
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."
BRF
Alexandre Biazin, Technology Executive Manager, BRF"We're scaling with automated machine learning in Azure and MLOps capabilities in Azure Machine Learning so that our 15 analysts can focus on more strategic tasks instead of the mechanics of merging spreadsheets and running analyses."
Nestle
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."
PepsiCo
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."
Zusätzliche MLOps-Ressourcen
Erste Schritte
Learning
End-to-End-MLOps-LernpfadBlog
- Vereinheitlichen von MLOps bei Microsoft
- Konzepte des MLOps-Reifegradmodells
- Azure Machine Learning übertrifft die Anforderungen der Unternehmensbereitschaft
- Die Kunst des Testens von Machine Learning-Systemen
- Testen der Robustheit von Machine Learning-Systemen
- Testen der Skalierbarkeit von Machine Learning-Systemen
- Testen der Sicherheit von Machine Learning-Systemen