Azure Machine Learning
Servicio de aprendizaje automático de nivel empresarial para crear e implementar modelos con más rapidez
Agilice el ciclo de vida completo del aprendizaje automático
Capacite a los desarrolladores y científicos de datos con una amplia gama de experiencias productivas para crear, entrenar e implementar modelos de Machine Learning y fomentar la colaboración en equipo. Agilice la comercialización con una extraordinaria metodología MLOps (operaciones de Machine Learning) o DevOps para Machine Learning. Innove en una plataforma segura y de confianza que se ha diseñado para ofrecer un aprendizaje automático responsable.
Aprendizaje automático para todos los niveles de conocimiento
Productividad para todos los niveles de conocimiento, con cuadernos de Jupyter Notebook, un diseñador que permite arrastrar y colocar, y aprendizaje automático automatizado.
MLOps integral
Características de MLOps sólidas que permiten crear e implementar modelos a gran escala usando flujos de trabajo de aprendizaje automático automatizados y reproducibles.
Innovación en el aprendizaje automático responsable
Un conjunto completo de características responsables integradas para comprender, proteger y controlar los datos, los modelos y los procesos.
Abierto e interoperable
La mayor compatibilidad con plataformas y lenguajes de código abierto, como MLflow, Kubeflow, ONNX, PyTorch, TensorFlow, Python y R.
Impulse la productividad con un aprendizaje automático para todos los niveles de conocimiento
Cree e implemente modelos de Machine Learning con rapidez usando herramientas que satisfagan sus necesidades, sea cual sea su nivel de conocimientos. Use los cuadernos integrados de Jupyter Notebook con IntelliSense o con el diseñador que permite arrastrar y colocar. Agilice la creación de modelos con el aprendizaje automático automatizado y acceda a las eficaces funcionalidades de la ingeniería de características, selección de algoritmos y barrido de hiperparámetros. Aumente la eficacia del equipo con conjunto de datos, cuadernos, modelos y paneles personalizables compartidos que realizan el seguimiento de todos los aspectos del proceso de aprendizaje automático.
Ponga en práctica los modelos a gran escala con MLOps
Benefíciese de MLOps para optimizar el ciclo de vida del aprendizaje automático, desde la creación de modelos hasta su implementación y administración. Cree flujos de trabajo reproducibles con canalizaciones de aprendizaje automático y entrene, valide e implemente miles de modelos a gran escala, desde la nube hasta el perímetro. Use puntos de conexión administrados en línea y por lotes para implementar y puntuar modelos de forma fluida y sin necesidad de administrar la infraestructura subyacente. Use Azure DevOps o Acciones de GitHub para programar, administrar y automatizar las canalizaciones de aprendizaje automático, y use análisis de desfase de datos avanzado para mejorar el rendimiento del modelo a lo largo del tiempo.
Cree soluciones con un aprendizaje automático responsable
Acceda a características de aprendizaje automático responsable de última generación para conocer, controlar y ayudar a proteger los datos, los modelos y los procesos. Explique el comportamiento de los modelos durante el entrenamiento y la inferencia, y cree soluciones imparciales mediante la detección y la mitigación del sesgo en los modelos. Mantenga la privacidad de los datos a lo largo del ciclo de vida del aprendizaje automático con técnicas de privacidad diferencial y use computación confidencial para proteger los recursos de aprendizaje automático. Mantenga automáticamente trazas de auditoría, realice un seguimiento del linaje y use hojas de datos de los modelos para habilitar la rendición de cuentas.
Innove en una plataforma abierta y flexible
Obtenga compatibilidad integrada con herramientas y marcos de código abierto para la inferencia y el entrenamiento de modelos de Machine Learning. Use plataformas que ya conoce, como PyTorch, TensorFlow y scikit-learn, o el formato abierto e interoperable ONNX. Elija las herramientas de desarrollo que mejor se adapten a sus necesidades, incluidos los IDE más populares, Visual Studio Code, cuadernos de Jupyter Notebook y CLI, o lenguajes como Python y R. Use ONNX Runtime para optimizar y agilizar la inferencia en la nube y los dispositivos perimetrales. Realice un seguimiento de todos los aspectos de los experimentos de entrenamiento con MLfLow.
Desarrolle sus conocimientos del aprendizaje automático con Azure
Obtenga más información sobre el aprendizaje automático en Azure y participe en tutoriales prácticos en este recorrido de aprendizaje de 30 días. Cuando acabe este recorrido de aprendizaje, estará preparado para la certificación Azure Data Scientist Associate.
Seguridad, gobernanza e infraestructura híbrida avanzadas
- Entrene modelos en la infraestructura híbrida con los clústeres de Kubernetes en el entorno local, en los entornos multinube y en el perímetro con la interoperabilidad de Azure Arc.
- Acceda a funcionalidades de seguridad, como acceso basado en rol, roles de aprendizaje automático personalizados, redes virtuales y vínculos privados. Administre la gobernanza con directivas, trazas de seguimiento, cuotas y administración de costos.
- Optimice el cumplimiento normativo con una cartera completa que incluye 60 certificaciones, incluidas FedRAMP High y DISA IL5.
Principales características del servicio
Cuadernos de colaboración
Maximice la productividad con IntelliSense, el intercambio sencillo de proceso y kernel, y la edición de cuadernos sin conexión. Inicie los cuadernos en Visual Studio Code para disfrutar de una experiencia de desarrollo enriquecida, que incluye una depuración segura y compatibilidad con el control de código fuente de Git.
Aprendizaje automático
Cree modelos precisos con rapidez para la clasificación, la regresión y la previsión de series temporales. Use la interpretación de modelos para comprender cómo se creó un modelo.
Aprendizaje automático con funcionalidad para arrastrar y colocar
Utilice herramientas de aprendizaje automático, como el diseñador con módulos para la transformación de los datos y el entrenamiento y la evaluación de modelos, o bien para crear y publicar fácilmente canalizaciones de aprendizaje automático.
Etiquetado de datos
Prepare los datos rápidamente, administre y supervise los proyectos de etiquetado y automatice las tareas iterativas con el etiquetado asistido por aprendizaje automático.
MLOps
Use el registro central para almacenar y hacer un seguimiento de los datos, los modelos y los metadatos. Capture automáticamente datos de linaje y gobernanza. Use Git para hacer un seguimiento del trabajo, y Acciones de GitHub, para implementar flujos de trabajo. Administre y supervise las ejecuciones o compare varias ejecuciones con fines de entrenamiento y experimentación. Use puntos de conexión administrados para llevar a cabo la implementación y la puntuación de modelos, registrar métricas y realizar implementaciones de modelos seguras.
Proceso con escalabilidad automática
Utilice la capacidad de proceso administrada para distribuir el entrenamiento de modelos y probarlos, validarlos e implementarlos rápidamente. Comparta clústeres de GPU y CPU en un área de trabajo y escale su capacidad automáticamente para satisfacer las necesidades de aprendizaje automático.
Integración profunda con otros servicios de Azure
Acelere la productividad gracias a la integración ya incluida con Microsoft Power BI y servicios como Azure Synapse Analytics, Azure Cognitive Search, Azure Data Factory, Azure Data Lake, Azure Arc y Azure Databricks.
Compatibilidad con entornos híbridos y multinube
Ejecute aprendizaje automático en los clústeres de Kubernetes actuales del entorno local, en un entorno multinube y en el perímetro con Azure Arc. Use el agente de aprendizaje automático con un solo clic para iniciar el entrenamiento de modelos de una forma más segura, dondequiera que estén los datos.
Reforzar el aprendizaje
Escale el aprendizaje de refuerzo a clústeres de proceso de gran eficacia, admita escenarios de varios agentes y acceda a algoritmos, marcos y entornos de código abierto de aprendizaje de refuerzo.
Aprendizaje automático responsable
Obtenga transparencia en los modelos durante el entrenamiento y la inferencia con las características de interpretabilidad. Valore la imparcialidad de los modelos usando métricas de disparidad y mitigue la parcialidad. Ayude a proteger los datos con privacidad diferencial y canalizaciones de aprendizaje automático confidenciales.
Seguridad de nivel empresarial
Cree e implemente modelos de una forma más segura con características como el aislamiento de red y Private Link, el control de acceso basado en rol para los recursos y las acciones, roles personalizados y la identidad administrada para los recursos de proceso.
Administración de costos
Administre mejor las asignaciones de recursos para las instancias de proceso de Azure Machine Learning con límites de cuota a nivel de área de trabajo y de recurso.
Pague solo por lo que necesita, sin costos por adelantado
Consulte los precios de Azure Machine Learning.
Dominio de Azure Machine Learning
Domine técnicas expertas para crear canalizaciones y modelos de Machine Learning completos, automatizados y muy escalables en Azure con TensorFlow, Spark y Kubernetes.
Principios de la ciencia de datos
Muchas personas que trabajan con datos han ampliado sus conocimientos de matemáticas, de programación o de especialización, pero una ciencia de datos adecuada exige las tres. Este completo e-book ayuda a resolver las carencias.
Un líder en 2020 en Forrester Wave
Forrester reconoce a Microsoft como líder por Azure Machine Learning en el informe The Forrester Wave™: análisis predictivo y aprendizaje automático basados en cuadernos, 3<sup>er</sup> trimestre de 2020.
Cómo se utiliza Azure Machine Learning
Viva una experiencia web con Studio
Compilación y entrenamiento
Implementación y administración
Cree modelos nuevos y almacene los destinos de proceso, los modelos, las implementaciones, las métricas y los historiales de ejecución en la nube.
Utilice las características automatizadas de Machine Learning para identificar algoritmos e hiperparámetros, y mantener un seguimiento de los experimentos en la nube. Cree modelos usando cuadernos o el diseñador con funcionalidad para arrastrar y colocar.
Implemente su propio modelo de Machine Learning en la nube o en el perímetro, supervise el rendimiento y vuelva a entrenarlo según sea necesario.
Recursos
Tutoriales para principiantes
Tutoriales avanzados
- Creación, revisión e implementación de modelos de aprendizaje automático automatizado con Azure Machine Learning
- Explore ejemplos de MLOps en GitHub
- Use la herramienta de diseñador para predicciones
- Interpretación y explicación de los modelos de Machine Learning
- Interpretación y explicación de los modelos de Machine Learning automatizado
Vídeos destacados
- Introducción a Azure Machine Learning
- Aprendizaje automático con un diseñador que permite arrastrar y colocar
- Aprendizaje automático automatizado para crear modelos con rapidez
- Uso eficaz de los cuadernos de Jupyter Notebook
- Administración del ciclo de vida de MLOps
- Cree modelos de manera responsable
- Aumento de la productividad con el etiquetado de datos
Recursos adicionales
Comience a usar Azure Machine Learning hoy mismo
Consiga acceso inmediato y un crédito por valor de $200 al registrarse para obtener una cuenta gratuita de Azure.
Inicie sesión en Azure Portal.
Explore la documentación y los tutoriales y examine guías de inicio rápido y recursos para desarrolladores.
Clientes que utilizan Azure Machine Learning
Jolie Vitale, directora de BI y análisis, Carhartt"The model we deployed on Azure Machine Learning helped us choose three new retail locations. Those stores exceeded their revenue plans by over 200 percent [that] December, the height of our season, and within months of opening were among the best-performing stores in their districts."
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."
Joey Chua, directora sénior, Ingeniería de aprendizaje automático, AGL"Azure Machine Learning allows us to manage the entire lifecycle, from experimentation and development to production and enhancements."
Daniel Engberg, director de análisis de datos e inteligencia artificial en Scandinavian Airlines"With model interpretability in Azure Machine Learning, we have a high degree of confidence that our machine learning model is generating meaningful and fair results."
Michael Cleavinger, director sénior de análisis avanzado 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."
Alex Mohelsky, asociado y responsable asesor de inteligencia artificial y análisis de datos, EY Canada"We see Azure Machine Learning and our partnership with Microsoft as critical to driving increased adoption and acceptance of AI from the regulators."
Actualizaciones, blogs y anuncios de Azure Machine Learning
Preguntas más frecuentes de Azure Machine Learning
-
El servicio está disponible con carácter general en varios países y regiones, y se agregarán más próximamente.
-
El Acuerdo de Nivel de Servicio (SLA) de Azure Machine Learning garantiza un tiempo de actividad del 99,9 %.
-
Azure Machine Learning Studio es el principal recurso de Machine Learning. Esta funcionalidad proporciona un lugar centralizado para que los científicos de datos y desarrolladores trabajen con todos los artefactos para crear, entrenar e implementar modelos de Machine Learning.