Ya hay disponibles nuevas características de Azure Machine Learning en versión preliminar

Características incluidas:

• Open Datasets: una colección de conjuntos de datos de dominio público que agilizan el desarrollo de modelos de Machine Learning en Azure. Open Datasets se integra con Machine Leaning Studio y también se puede acceder a él desde cuadernos de Python en Azure Machine Learning Service. Azure Open Datasets ofrece datos de buena calidad de dominio público que a menudo son difíciles de encontrar y caros de organizar. Los científicos de datos serán más productivos porque podrán centrarse en la creación de modelos en lugar de en preparar los datos.
• Interfaz visual: la nueva interfaz visual de Azure Machine Learning agrega funcionalidad de arrastrar y colocar al servicio. Simplifica el proceso de compilación, pruebas e implementación de modelos de Machine Learning para los clientes que prefieren una experiencia visual en lugar de programar. Esta integración combina lo mejor de ML Studio y de AML Service. La experiencia de arrastrar y colocar permite que cualquier científico de datos pueda crear rápidamente un modelo sin necesidad de programación. La herramienta aporta también flexibilidad suficiente para que el científico de datos pueda ajustar el modelo. AML Service como plataforma de back-end ofrece toda la escalabilidad, seguridad, depurabilidad... que ML Studio no puede ofrecer. La capacidad de implementación sin complicaciones que ofrece la interfaz visual permite generar archivos score.py y crear imágenes con facilidad. Con solo algunos clics, se puede implementar un modelo entrenado en cualquier clúster de AKS asociado a AML Service.
• Experiencia de usuario con ML automatizado:
  • implemente soluciones como servicios web para realizar predicciones con datos nuevos.
  • Obtenga el mejor modelo para clasificación, regresión o previsión de problemas con solo algunos clics de botón.
  • Analice los modelos generados.
  • Ciudadano científico de datos: genere modelos sin necesidad de escribir código de Python (ni ningún otro tipo de código). Científico de datos: explore y genere cientos de modelos con rapidez y optimice los mejores con Jupyter Notebook.
• Máquinas virtuales de Notebook: a mediados de abril estará disponible en versión preliminar privada Azure Machine Learning con un servicio de cuadernos hospedados. La versión preliminar pública está prevista para mayo. Los cuadernos hospedados proporcionan una experiencia de prioridad del código en la que los usuarios pueden llevar a cabo todas las operaciones que admite el SDK de Azure Machine Learning para Python usando un cuaderno de Jupyter Notebook que ya conocen. Los cuadernos hospedados simplifican el proceso de inicio, porque proporcionan a los profesionales de ML un entorno seguro y listo para la empresa. En la versión preliminar privada, los clientes podrán acceder a un cuaderno integrado en el área de trabajo de Azure ML, usar cuadernos de Azure ML preconfigurados sin necesidad de configurar nada y personalizar totalmente las máquinas virtuales de los cuadernos, incluida la capacidad para agregar paquetes y controladores.

​Ahora se puede usar MLflow con el área de trabajo de Azure Machine Learning para registrar métricas y artefactos de las rondas de entrenamiento en un lugar centralizado, seguro y escalable. El seguimiento de MLflow se puede llevar a cabo desde un equipo local, una máquina virtual o un entorno de proceso remoto.

• Data Box Edge con FPGA: las matrices FPGA son una opción de inferencia de aprendizaje automático basada en Project Brainwave, una arquitectura de hardware de Microsoft. Los científicos de datos y desarrolladores pueden usar FPGA para agilizar los cálculos de inteligencia artificial en tiempo real. Estos modelos acelerados mediante hardware ya están disponibles con carácter general en la nube, junto con una versión preliminar de modelos implementados en Data Box Edge. Las matrices FPGA ofrecen rendimiento, flexibilidad y escala, y están disponibles solo a través de Azure Machine Learning. Con ellas, se puede conseguir baja latencia para las solicitudes de inferencia en tiempo real. De este modo, se mitiga la necesidad de solicitudes asincrónicas (procesamiento por lotes).