Jetzt in der Vorschauphase: neue Features für Azure Machine Learning

Zu den Features gehören:

• Open Datasets: Open Datasets sind eine Sammlung von Datasets aus dem öffentlichen Bereich, mit denen die Entwicklung von in Azure erstellten Machine Learning-Modellen beschleunigt werden kann. Azure Open Datasets kann mit Machine Learning Studio integriert werden, oder Sie können darauf über Python-Notebooks im Azure Machine Learning-Dienst zugreifen. Im Rahmen von Azure Open Datasets erhalten Sie Zugriff auf Daten guter Qualität aus dem öffentlichen Bereich. Diese sind schwer zu finden, und eine Zusammenstellung ist teuer. Data Scientists werden dadurch produktiver, da sie sich auf das Erstellen von Modellen konzentrieren können anstatt auf die Datenaufbereitung.
• Grafische Benutzeroberfläche: Im Rahmen der neuen grafischen Benutzeroberfläche von Azure Machine Learning wurden dem Azure Machine Learning-Dienst Drag & Drop-Workflowfunktionen hinzugefügt. So wurde das Erstellen, Testen und Bereitstellen von Machine Learning-Modellen für Kunden vereinfacht, die lieber eine visuelle Oberfläche bedienen als zu programmieren. Diese Integration vereint die Vorzüge von Machine Learning Studio mit den Vorteilen des Azure Machine Learning-Diensts. Mit Drag & Drop können Data Scientists Modelle schnell erstellen, ohne Code dafür schreiben zu müssen. Das Tool bietet außerdem genug Flexibilität, damit Data Scientists ihre Modelle genau abstimmen können. Der Azure Machine Learning-Dienst als Back-End-Plattform bietet Skalierbarkeit, Sicherheit und Möglichkeiten zum Debuggen in einem Rahmen, den Machine Learning Studio nicht bieten kann. Mithilfe der einfachen Bereitstellungsfunktion über die grafische Benutzeroberfläche können score.py-Dateien und Images mühelos erstellt werden. Mit wenigen Klicks kann ein trainiertes Modell in einem beliebigen mit dem Azure Machine Learning-Dienst verbundenen AKS-Cluster bereitgestellt werden.
• Automatisiertes Machine Learning:
  • Bereitstellen als Webdienste für die Vorhersage auf Grundlage neuer Daten
  • Das optimale Modell für Klassifizierungs-, Regressions- und Vorhersageprobleme mit nur wenigen Klicks
  • Analysieren der generierten Modelle
  • Für Data Scientists ohne Programmiererfahrung: Erstellen von Machine Learning-Modellen ohne Python-Code (oder anderen Code) schreiben zu müssen. Data Scientists: Schnelles Analysieren und Erstellen hunderter Modelle und anschließendes Optimieren der besten Modelle in Jupyter-Notebook.
• Notebook-VMs: Die private Vorschauversion von Azure Machine Learning mit einem gehosteten Notebook-Dienst wird Mitte April veröffentlicht. Die öffentliche Vorschauversion ist für Mai angesetzt. Bei gehosteten Notebooks gilt der Code-First-Ansatz, bei dem Benutzer jeden Vorgang, der vom Python-SDK in Azure Machine Learning unterstützt wird, mithilfe eines vertrauten Jupyter-Notebooks ausführen können. Gehostete Notebooks erleichtern die ersten Schritte, da sie eine sichere, für den Einsatz in Unternehmen geeignete Umgebung für Machine Learning-Anwender bieten. In der privaten Vorschauversion haben Kunden die folgenden Möglichkeiten: Zugriff auf ein im Azure Machine Learning-Workspace integriertes Notebook, Verwenden vorkonfigurierter ML-Notebooks, ohne diese einrichten zu müssen, vollständiges Anpassen ihrer Notebook-VMs einschließlich der Möglichkeit, Pakete und Treiber hinzuzufügen.

​Ab sofort können Sie in Ihrem Azure Machine Learning-Workspace MLflow verwenden, um Metriken und Artefakte aus Ihren Trainingsausführungen an einem zentralen, sicheren und skalierbaren Ort zu protokollieren. MLflow-Nachverfolgung kann über Ihren lokalen Computer erfolgen, über eine VM oder eine Remotecomputeumgebung.

• Data Box Edge mit FPGAs: FPGAs sind eine Machine Learning-Rückschlussoption, die auf Project Brainwave basiert, einer Hardwarearchitektur von Microsoft. Data Scientists und Entwickler können FPGAs verwenden, um KI-Berechnungen in Echtzeit zu beschleunigen. Diese hardwarebeschleunigten Modelle sind nun allgemein in der Cloud verfügbar, zusammen mit einer Vorschauversion der Modelle, die in Data Box Edge bereitgestellt werden. FPGAs bieten Leistung, Flexibilität sowie Skalierung und sind nur über Azure Machine Learning verfügbar. Sie ermöglichen eine geringe Latenz für Rückschlussanforderungen in Echtzeit, wodurch der Bedarf asynchroner Anforderungen (Batchverarbeitung) gemindert wird.