Operaciones de aprendizaje automático (MLOps)
Agilizar la automatización, la colaboración y la reproducibilidad de los flujos de trabajo de aprendizaje automático
Implementación y administración optimizadas de miles de modelos en entornos de producción, desde el entorno local hasta el perímetro
Puntos de conexión totalmente administrados para las predicciones por lotes y en tiempo real para implementar y puntuar modelos más rápido
Canalizaciones repetibles para automatizar flujos de trabajo de aprendizaje automático para la integración y entrega continuas (CI/CD)
Supervisa continuamente las métricas de rendimiento del modelo, detecta el desfase de datos y desencadena el reentrenamiento para mejorar el rendimiento del modelo.
Proporcionar innovación rápidamente
MLOps —operaciones de aprendizaje automático o DevOps para el aprendizaje automático— es la intersección de personas, procesos y plataformas para obtener valor empresarial a partir del aprendizaje automático. Simplifica el desarrollo y la implementación mediante la supervisión, validación y gobernanza de modelos de aprendizaje automático.
Crear modelos y flujos de trabajo de aprendizaje automático
Use conjuntos de datos y registros de modelos enriquecidos para realizar un seguimiento de los recursos. Habilite la rastreabilidad mejorada con el seguimiento de código, datos y métricas en el historial de ejecución. Compile canalizaciones de aprendizaje automático para diseñar, implementar y administrar flujos de trabajo de modelos reproducibles para una entrega de modelos coherente.
Implemente fácilmente modelos muy precisos en cualquier lugar
Implemente rápidamente con confianza. Use puntos de conexión en línea administrados para implementar modelos en máquinas de CPU y GPU eficaces sin administrar la infraestructura subyacente. Empaquete modelos rápidamente y garantice una alta calidad en cada paso mediante herramientas de validación y generación de perfiles de modelos. Use el lanzamiento controlado para promover los modelos a producción.
Administrar de forma eficaz todo el ciclo de vida del aprendizaje automático
Aproveche la interoperabilidad integrada con Azure DevOps y Acciones de GitHub para administrar y automatizar flujos de trabajo sin problemas. Optimice el entrenamiento de modelos y las canalizaciones de implementación, compile para CI/CD para facilitar el reentrenamiento y ajuste fácilmente el aprendizaje automático en los procesos de versión existentes. Use análisis avanzados de desfase de datos para mejorar el rendimiento del modelo con el tiempo.
Lograr gobierno en todos los activos
Realice un seguimiento del historial de versiones del modelo y del linaje para mejorar la capacidad de auditoría. Establezca cuotas de proceso en los recursos y aplique directivas para garantizar el cumplimiento de los estándares de seguridad, privacidad y cumplimiento. Use las funcionalidades avanzadas para cumplir los objetivos de gobernanza y control, así como para promover la transparencia y la imparcialidad del modelo.
Beneficiarse de la interoperabilidad con MLflow
Cree flujos de trabajo de aprendizaje automático de un extremo a otro más flexibles y más seguros con MLflow y Azure Machine Learning. Escale fácilmente las cargas de trabajo existentes de la ejecución local a la nube y el perímetro inteligentes. Almacene sus experimentos de MLflow, ejecute métricas, parámetros y artefactos de modelo en el área de trabajo de Azure Machine Learning centralizada.
Acelerar MLOps de manera colaborativa en todas las áreas de trabajo
Facilite la colaboración entre áreas de trabajo y MLOps con registros. Hospede recursos de aprendizaje automático en una ubicación central, lo que permite que estén disponibles para todas las áreas de trabajo de su organización. Promueva, comparta y descubra modelos, entornos, componentes y conjuntos de datos en todos los equipos. Reutilice canalizaciones e implemente modelos creados por equipos en otras áreas de trabajo, a la vez que mantiene intactos el linaje y la rastreabilidad.
Centro de recursos
Ver las operaciones de aprendizaje automático en acción
Compile canalizaciones de aprendizaje automático para diseñar, implementar y administrar flujos de trabajo de modelos.
Compile canalizaciones de aprendizaje automático para diseñar, implementar y administrar flujos de trabajo de modelos.
Automatización de una canalización de aprendizaje automático
Sam es un científico de datos que trabaja para un distribuidor de moda en línea. Recientemente, la empresa comenzó a usar el aprendizaje automático para proporcionar recomendaciones oportunas y precisas, lo que mejora tanto la satisfacción del cliente como las ventas.
Después de actualizar el catálogo, se solicitó a Sam que actualizara el modelo de recomendación de marca, pero nadie sabe de dónde procede el modelo actual. Acude a Azure Machine Learning para crear un flujo de trabajo reproducible y rastreable.
Sam es un científico de datos que trabaja para un minorista en línea al que le han encargado que actualice su modelo de recomendaciones después de una actualización reciente del catálogo. Sam busca la canalización del modelo, pero nadie sabe de dónde procede el modelo.
Recurre a Azure ML para crear un flujo de trabajo del modelo del que se pueda hacer un seguimiento.
Use Azure Machine Learning con las herramientas existentes
Sam usa el SDK de Azure Machine Learning para mover su trabajo basado en Jupyter Notebook a Azure Machine Learning, aprovechando sus capacidades de escala y colaboración. Con su elección de marco de trabajo, crea versiones de su código de entrenamiento y conjuntos de datos, y los vincula a un experimento rastreable.
Capture las métricas de cada ejecución del experimento
Cada vez que Sam ejecuta una ejecución, Azure Machine Learning realiza un seguimiento de sus métricas y la registra para su revisión. Captura las entradas (como conjuntos de datos, código y parámetros) y las salidas (como registros, métricas y modelos) para evaluaciones y comparaciones.
Revisar modelos y experimentos en el área de trabajo
Mientras Sam sigue trabajando en su entorno de cuaderno, su equipo usa el Estudio de Azure Machine Learning para realizar fácilmente un seguimiento del modelo final en el registro del modelo a través de cada recurso y paso que se usa para crearlo.
Crear canalizaciones reutilizables para obtener eficiencia y coherencia
Sam crea una canalización de aprendizaje automático reutilizable para entregar un flujo de trabajo de entrenamiento de modelos y desencadenarlo automáticamente tras los cambios en los datos de origen. Si es necesario, puede reutilizar el resultado de los pasos sin cambiar las entradas.
Cree canalizaciones de aprendizaje automático reproducibles
Sam ha generado un flujo de trabajo reproducible y rastreable mediante Azure Machine Learning. Cada modelo que produce el equipo ahora está vinculado a una ejecución de experimento para revisión e iteración. Con una canalización reproducible, Sam permite a Azure Machine Learning automatizar el reentrenamiento mientras se centra en otras cosas importantes.
Azure Machine Learning le ayuda a crear canalizaciones de aprendizaje automático de nivel empresarial a través de la reproducibilidad y la rastreabilidad. Esto da lugar a una entrega de modelos más coherente con menos variabilidad y mayor tolerancia a errores.
Más información sobre las canalizaciones de aprendizaje automático Examinar el repositorio de GitHub para obtener esta demostración
Con Azure ML, Sam ha creado un flujo de trabajo reproducible del que se puede hacer un seguimiento. Ahora cada modelo que produce el equipo está asociado a una ejecución del experimento, lo que permite al equipo revisarlo e iterarlo. Con una canalización reproducible, Sam puede dejar que Azure ML automatice el reentrenamiento mientras él se centra en su próxima genialidad.
Azure ML permite crear canalizaciones de aprendizaje automático de nivel empresarial a través de la reproducibilidad y la rastreabilidad. Esto conduce a una entrega de modelos más coherente, con menos variabilidad y más tolerancia a errores.
Más información sobre las canalizaciones de aprendizaje automático Examinar el repositorio de GitHub para obtener esta demostración
Implemente rápidamente con confianza mediante el escalado automático y los clústeres de inferencia distribuidos administrados.
Implemente rápidamente con confianza mediante el escalado automático y los clústeres de inferencia distribuidos administrados.
Implementando un punto de conexión de servicio web para un modelo
Sam, un científico de datos que trabaja para un distribuidor de moda en línea, ha agregado Azure Machine Learning a su flujo de trabajo para crear mejores modelos. Su canalización automatizada acaba de registrar un modelo final con resultados experimentales adjuntos que muestran un rendimiento mejorado.
El equipo de desarrollo web no está seguro de cómo insertar un modelo de aprendizaje automático en la aplicación web y ha solicitado un servicio web en su lugar. Sam acude a Azure Machine Learning para obtener ayuda para agregar un punto de conexión de servicio web a su modelo.
Sam, científico de datos de un distribuidor en línea, ha usado Azure ML para crear y registrar un modelo. Ahora, su equipo de desarrollo web le ha pedido un extremo web para llamar a su modelo para la inferencia. Sam usa Azure ML para crear este punto de conexión de servicio web.
Capture el modelo más reciente y genere su perfil para producción
Sam captura el último modelo del registro y lo perfila para ver qué tipo de recursos puede necesitar en producción.
Inserción del modelo en Azure Container Instances
Con los datos de generación de perfiles a mano, Sam usa Azure Machine Learning para empaquetar el modelo en un contenedor e implementarlo en Azure Container Instances para la inferencia en tiempo real o por lotes. Después de la implementación, aprovecha las características automáticas de generación y supervisión de esquemas en Azure Machine Learning.
Implemente el modelo en puntos de conexión escalables y diversos y lleve a cabo pruebas A/B
Con solo un par de líneas de código, Sam inserta el mismo modelo en una instancia de Azure Kubernetes Service (AKS) más escalable y aplica funcionalidades avanzadas de pruebas A/B para la validación del nuevo modelo. Ahora puede implementar modelos donde sea necesario, desde la nube hasta el perímetro, con opciones de proceso, como CPU, GPU y FPGA.
Habilite al equipo de desarrollo web para que use el modelo implementado
Después de implementar el modelo en una instancia de AKS, el equipo de desarrollo web obtiene acceso al punto de conexión del servicio web al que llamar desde su aplicación para satisfacer las necesidades de inferencia en tiempo real o por lotes. Sam supervisa el punto de conexión del modelo en busca de desfase de datos y otras métricas, que se pueden auditar según sea necesario.
Publicar modelos dondequiera que se necesiten
Sam convirtió su modelo de código abierto en un servicio web listo para producción para su equipo de desarrollo. Se ha centrado en el desarrollo de modelos en lugar de aprender las muchas tecnologías necesarias para el hospedaje de servicios, como Kubernetes, Flask y Swagger.
Azure Machine Learning le ayuda a realizar la transición sin problemas de sus modelos a servicios web completos y consolidados, haciéndolos rápidamente adoptables en las aplicaciones.
Con Azure ML, Sam ha tomado su modelo de código abierto y lo ha convertido rápidamente en un servicio web listo para producción que ya puede usar su equipo de desarrollo. Como científico de datos, ha podido centrarse en el desarrollo de modelos, en lugar de tener que preocuparse por las numerosas tecnologías necesarias para el hospedaje de servicios (como Kubernetes, Flask y Swagger).
Azure ML ayuda a los científicos de datos a convertir los modelos de forma fluida en servicios web consolidados y completos que se pueden incorporar rápidamente a las aplicaciones.
Opera con Azure DevOps y Acciones de GitHub para automatizar flujos de trabajo de aprendizaje automático
Opera con Azure DevOps y Acciones de GitHub para automatizar flujos de trabajo de aprendizaje automático
Integración con el flujo de trabajo de DevOps
Sam, un científico de datos que trabaja para un distribuidor de moda en línea, usó Azure Machine Learning para crear e implementar sus modelos. Recientemente, publicó su modelo en una instancia de producción de Azure Kubernetes Service (AKS) y el equipo web lo ha integrado en la aplicación web con resultados prometedores.
Rebecca, que forma parte del equipo de operaciones, quiere asegurarse de que la compilación e implementación del modelo forme parte de los flujos de trabajo de DevOps. Sam no está seguro de cómo incorporarlo, por lo que entrena a Rebecca en Azure Machine Learning y trabaja con ella para determinar cómo puede satisfacer los requisitos de ambos.
Sam, científico de datos, ha usado recientemente Azure ML para compilar e implementar modelos. Acaba de publicar un modelo en su instancia de AKS de producción. Rebecca quiere integrarlo con sus flujos de trabajo de DevOps. Sam le dirige a Azure ML.
Cree una nueva canalización de versión con Azure Pipelines
Rebecca crea una canalización en Azure Pipelines para automatizar el proceso de implementación. El primer paso de la canalización realiza tareas como compilar el modelo con todas las dependencias y comprobar si hay errores. Para desencadenar automáticamente esta canalización, Rebecca lo conecta al registro del modelo Azure Machine Learning, asegurándose de que se inicia cada vez que se registra un modelo nuevo o una nueva versión del modelo.
Publique el modelo para validarlo
Rebecca agrega una tarea para publicar el modelo en Azure Container Instances para su validación antes de pasar a producción. Usa el CLI de Azure para interactuar con Azure Machine Learning. Le proporciona acceso a las mismas características dentro de sus herramientas que Sam tiene en su bloc de notas. Este paso imita las pruebas de integración en el proceso de DevOps de su aplicación.
Traslado del modelo a producción tras la validación
Rebecca agrega una tarea de canalización de versión para implementar el modelo en producción mediante AKS. Antes de activar esta tarea, Rebecca configura una puerta que requiere que un responsable o administrador evalúe y apruebe antes de continuar. Esto garantiza que la canalización no cause interrupciones importantes si no se detectó un problema en las validaciones generadas por script.
Configurar la detección de desfase de datos para desencadenar el reentrenamiento
A medida que Rebecca establece la canalización automatizada para implementar los modelos, Sam habilita la supervisión del desfase de datos con Azure Machine Learning. Al supervisar el uso del servicio, puede ver si las solicitudes de inferencia del inicio de producción se desvían del conjunto de datos de entrenamiento, lo que indica la necesidad de volver a entrenar.
Supervise la estabilidad y el rendimiento del servicio
Con Application Insights, una característica de Azure Monitor, Rebecca supervisa las operaciones de servicio como el número de solicitudes, la carga en el clúster de AKS y la latencia de respuesta, mientras que Sam supervisa el rendimiento del modelo para determinar si se deben realizar optimizaciones.
Crear un flujo de trabajo de modelo simplificado
Rebecca ha incorporado Azure Machine Learning a su flujo de trabajo de DevOps, desde la automatización de versiones hasta la supervisión de producción. Mientras supervisa las operaciones del servicio, Sam supervisa y administra el rendimiento del modelo y lo optimiza según sea necesario.
Azure Machine Learning ayuda a elevar la ciencia de datos en el proceso de DevOps de su organización, lo que lleva a proyectos de aprendizaje automático más confiables y sólidos.
Detectar desfase de datos (versión preliminar) en conjuntos de datos
Azure ML se ha integrado perfectamente en el flujo de trabajo de DevOps de Rebecca, desde la automatización del lanzamiento hasta la supervisión en producción, con la integración nativa en las herramientas actuales, como Azure DevOps y Azure Application Insights. Mientras que Rebecca controla las operaciones del servicio, Azure ML le proporciona a Sam herramientas para supervisar y administrar el rendimiento del modelo y optimizarlo según sea necesario.
Azure ML ayuda a la ciencia de datos a ocupar un lugar destacado en el actual proceso de DevOps de su organización, lo que da lugar a proyectos de aprendizaje automático más confiables y sólidos.
Detectar desfase de datos (versión preliminar) en conjuntos de datos
Mejore la gobernanza y la administración de costos en sus proyectos de aprendizaje automático
Mejore la gobernanza y la administración de costos en sus proyectos de aprendizaje automático
Habilitar el gobierno de modelos de Machine Learning
Phil, el administrador de TI de un distribuidor de moda en línea está entusiasmado con el trabajo que los equipos de ciencia de datos y operaciones han estado realizando con Azure Machine Learning.
Aunque Phil es responsable de la infraestructura de TI de la empresa, no está seguro de lo que hay en producción, quién tiene acceso o cuánto costará. Decide usar Azure Machine Learning para ayudarse a cumplir sus responsabilidades de gobernanza.
Phil, el director de TI de un distribuidor en línea, está entusiasmado con el trabajo de Sam y Rebecca. Pero Phil es responsable de la infraestructura de TI y no sabe cómo garantizar la gobernanza en torno al proyecto de ML. Está examinando Azure ML para obtener ayuda.
Revisar los modelos en producción
Phil usa Azure Machine Learning para auditar los puntos de conexión de producción. Puede volver a los modelos y experimentos subyacentes junto con las salidas de las explicaciones del modelo y el análisis de equidad. Esto garantiza que realiza un seguimiento de cada paso del proceso de creación de modelos y habilita la auditoría de modelos para cualquier sesgo.
Compruebe los registros de auditoría para ver el historial detallado del modelo
Phil accede a los registros de auditoría de Azure Machine Learning. Los mismos complementan la rastreabilidad encontrada en los modelos y los experimentos con un registro detallado, que realiza un seguimiento de cada acción (fecha, hora y usuario). Estos registros ayudan a Iniciar acciones de seguimiento iniciadas dentro del servicio o por el servicio para la responsabilidad en toda la organización.
Proteja el área de trabajo con la administración de identidades y acceso de Azure
Phil usa las soluciones de administración de identidades y acceso de Azure para administrar el acceso al área de trabajo Azure Machine Learning. Usa roles integrados y roles personalizados para limitar las tareas que los usuarios pueden realizar y controlar el acceso a los recursos.
Asegure la rendición de cuentas con los recursos de Azure
Phil usa la capacidad de cuotas para configurar los límites de recursos y el uso compartido. Esto le ayuda a administrar los gastos, controlar los costos y garantizar una asignación de recursos equilibrada entre equipos. También fomenta la responsabilidad por parte de los equipos de proyecto respectivos.
Lograr gobernanza y cumplimiento de modelos
Phil ahora puede ver lo que hay en producción y garantizar el cumplimiento de la organización mediante la auditoría, el control de acceso basado en roles y la administración de cuotas. Aprecia cómo Azure Machine Learning no solo ayuda a los equipos de ciencia de datos y operaciones, sino que también ofrece las capacidades de gobernanza de nivel empresarial que necesita.
Azure Machine Learning proporciona los controles organizativos esenciales para hacer que los proyectos de aprendizaje automático sean más seguros y satisfactorios.
Supervisar Azure Machine Learning Planear y administrar los costos de Azure Machine Learning
Phil está agradecido porque Azure ML no solo ayuda a los equipos de operaciones y ciencia de datos, sino que también ofrece características de gobernanza de nivel empresarial que él necesita para cumplir con sus responsabilidades. Puede ver exactamente qué hay en producción y garantizar el cumplimiento normativo de la organización mediante auditorías, el control de acceso basado en rol y la administración de cuotas.
Azure ML proporciona los controles organizativos esenciales para lograr que los proyectos de aprendizaje automático sean seguros y satisfactorios.
Supervisar Azure Machine Learning Planear y administrar los costos de Azure Machine Learning
Seguridad y cumplimiento normativo completos e integrados
-
Microsoft invierte más de USD 1 millardo al año en la investigación y el desarrollo de la ciberseguridad.
-
Contamos con más de 3,500 expertos en seguridad dedicados a proteger la seguridad y la privacidad de los datos.
-
Azure tiene más certificaciones que cualquier otro proveedor en la nube. Vea la lista completa.
Empezar con una cuenta gratuita de Azure
Inicie gratis. Obtenga $200 de crédito para usarlo en un plazo de 30 días. Mientras tenga crédito, disfrutará de forma gratuita de muchos de nuestros servicios más populares, además de más de 40 servicios distintos que siempre serán gratuitos.
Después de su crédito, cambie a pago por uso para seguir creando con los mismos servicios gratuitos. Pague solo si usa más de las cantidades mensuales gratuitas.
Después de 12 meses, seguirá recibiendo más de 40 servicios siempre gratuitos y seguirá pagando solo por lo que use más allá de sus cantidades mensuales gratuitas.
Vea cómo los clientes generan valor con las operaciones de aprendizaje automático
FedEx
Bikram Virk, director de producto, IA y aprendizaje automático, 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, Director Ejecutivo de Tecnología, 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."
Nestlé
Ignasi Paredes-Oliva, científico de datos principal, Centro de operaciones de seguridad global de Nestlé"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, director sénior de análisis avanzados y ciencia de datos para obtener información de los clientes, 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."
Recursos adicionales de MLOps
Comenzar
Blog
- Unificar MLOps en Microsoft
- Conceptos del modelo de madurez de MLOps
- Azure Machine Learning destaca en la preparación empresarial
- El arte de probar sistemas de aprendizaje automático
- Prueba de la solidez de los sistemas de aprendizaje automático
- Prueba de la escalabilidad de los sistemas de aprendizaje automático
- Prueba de la seguridad de los sistemas de aprendizaje automático