Modèles Machine Learning critiques pour l’entreprise à grande échelle
Azure Machine Learning permet aux scientifiques des données et aux développeurs de créer, déployer et gérer des modèles de haute qualité plus rapidement et en toute confiance. Il accélère le délai d’utilisation grâce aux opérations d’apprentissage automatique (MLOps) de pointe, à l’interopérabilité open source et aux outils intégrés. Cette plateforme approuvée est conçue pour les applications d’intelligence artificielle responsables dans le Machine Learning.
Développement et apprentissage rapides de modèles, avec des outils intégrés et une prise en chargede l’infrastructure évolutive d’intelligence artificielle basée sur l’objectif.
Développement de modèles d’intelligence artificielle responsables avec une impartialité et une explicabilité intégrées, et une utilisation responsable pour la conformité
Déploiement, gestion et partage rapides de modèles ML pour la collaboration entre espaces de travail et MLOps
Gouvernance, sécurité et conformité intégrées pour l’exécution de charges de travail Machine Learning en tout lieu
Prise en charge du cycle de vie du Machine Learning de bout en bout
Étiquetage des données
Étiqueter les données d’entraînement et gérer les projets d’étiquetage.
Préparation des données
À utiliser avec des moteurs d’analyse pour l’exploration et la préparation des données.
Jeux de données
Accédez aux données et créez et partagez des jeux de données.
Notebooks
Utilisez des notebooks Jupyter collaboratifs avec calcul attaché.
Machine Learning automatisé
Entraînez et ajustez automatiquement des modèles précis.
Concepteur de glisser-déplacer
Concevez avec une interface de développement par glisser-déplacer.
Expériences
Exécutez des expériences et créez et partagez des tableaux de bord personnalisés.
CLI et SDK Python
Accélérez le processus d’entraînement du modèle tout en effectuant un scale-up et un scale-out sur le calcul Azure.
Visual Studio Code et GitHub
Utilisez des outils familiers et passez facilement de l’entraînement local au nuage.
Instance de calcul
Développez dans un environnement managé et sécurisé avec des processeurs nuage, des GPU et des clusters de calcul intensif dynamiquement évolutifs.
Bibliothèques et frameworks open source
Bénéficiez d’une prise en charge intégrée de Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib, etc.
Points de terminaison managés
Déployez des modèles pour l’inférence par lots et en temps réel rapidement et facilement.
Pipelines et CI/CD
Automatiser les workflows d’apprentissage automatique.
Images prédéfinies
Accédez aux images conteneur avec des infrastructures et des bibliothèques pour l’inférence.
Référentiel de modèles
Partagez et suivez les modèles et les données.
Hybride et multicloud
Entraînez et déployez des modèles localement et dans des environnements multiclouds.
Optimiser les modèles
Accélérez l’apprentissage et l’inférence et réduisez les coûts avec ONNX Runtime.
Surveillance et analyse
Suivez, consignez et analysez les données, les modèles et les ressources.
Dérive des données
Détectez la dérive et maintenez la précision du modèle.
Analyse des erreurs
Déboguez les modèles et optimisez la précision du modèle.
Audit
Tracez les artefacts Machine Learning à des fins de conformité.
Stratégies
Utilisez des stratégies intégrées et personnalisées pour la gestion de la conformité.
Sécurité
Bénéficiez d’une surveillance continue avec Azure Security Center.
Contrôle des coûts
Appliquez la gestion des quotas et l’arrêt automatique.
Azure Machine Learning pour Deep Learning
Plateforme managée de bout en bout
Simplifiez le cycle de vie Deep Learning complet et la gestion des modèles avec des fonctionnalités MLOps natives. Exécutez Machine Learning dans n’importe quel emplacement en toute sécurité avec une sécurité de qualité professionnelle. Atténuez les biais du modèle et évaluez des modèles à l’aide du tableau de bord IA responsable.
Tous les outils de développement et infrastructures
Générez des modèles Deep Learning enrichis avec vos IDE favoris à partir de Visual Studio Code vers des Jupyter Notebooks dans l’infrastructure de votre choix avec PyTorch et TensorFlow. Azure Machine Learning s’intègre au Runtime ONNX et à DeepSpeed pour optimiser votre apprentissage et votre inférence.
Niveau de performance de classe mondiale
Tirez profit de l’infrastructure d’intelligence artificielle basée sur l’objectif uniquement conçue pour combiner les GPU NVIDIA les plus récents et Mellanox Networking allant jusqu’à 200 Go/s d’interconnexions InfiniBand. Effectuez un scale-up de milliers de GPU au sein d’un seul cluster avec une mise à l’échelle sans précédent.
Accélérez le temps de mise en valeur grâce au développement rapide de modèles
Opérationnaliser à grande échelle avec le MLOps
Fournir des solutions d’apprentissage automatique responsables
Innovez sur une plateforme hybride plus sécurisée et plus conforme
Développez vos compétences en matière de Machine Learning avec Azure
Fonctionnalités de service clés pour le cycle de vie Machine Learning complet
-
Étiquetage des données
Créez, gérez et surveillez les projets d’étiquetage, et automatiser les tâches itératives avec l’étiquetage assisté par Machine Learning.
-
Préparation des données
Itérer rapidement sur la préparation des données à grande échelle sur Apache Spark clusters au sein de Azure Machine Learning, interopérables avec Azure Synapse Analytics.
-
Blocs-notes collaboratifs
Optimisez votre productivité grâce à IntelliSense, au calcul facile, à la commutation de noyau et à l’édition de bloc-notes hors connexion. Lancez votre notebook dans Visual Studio Code pour bénéficier d’une expérience de développement riche, incluant le débogage sécurisé et la prise en charge du contrôle de code source Git.
-
Machine Learning automatisé
Créez rapidement des modèles précis pour la classification, la régression, la prévision de série chronologique, les tâches de traitement en langage naturel et les tâches de vision par ordinateur. Utilisez l’interprétation du modèle pour comprendre comment le modèle a été créé.
-
Machine Learning par glisser-déplacer
Utilisez les outils de Machine Learning, tels que le concepteur pour la transformation des données, l’apprentissage et l’évaluation de modèle, ou pour créer et publier des pipelines de Machine Learning.
-
Apprentissage par renforcement
Mettez à l’échelle l’apprentissage par renforcement sur des clusters de calcul puissants, prenez en charge des scénarios multi-agents, et accédez à des algorithmes, infrastructures et environnements d’apprentissage par renforcement open source.
-
Création responsable
Bénéficiez de la transparence du modèle lors des opérations d’apprentissage et d’inférence avec les fonctionnalités d’interprétation. Évaluez l’impartialité du modèle par le biais de métriques de disparité, et atténuez la partialité. Améliorez la fiabilité du modèle et identifiez et diagnostiquez les erreurs de modèle avec le kit de ressources d’analyse des erreurs. Protégez les données avec la confidentialité différentielle.
-
Expérimentation
Gérez et surveillez les exécutions, ou comparez plusieurs exécutions pour l’apprentissage et l’expérimentation. Créez des tableaux de bord personnalisés et partagez-les avec votre équipe.
-
Registres
Utilisez des référentiels à l’échelle de l’organisation pour stocker et partager des modèles, des pipelines, des composants et des jeux de données entre plusieurs espaces de travail. Capturez automatiquement les données de traçabilité et de gouvernance à l’aide de la fonctionnalité de piste d’audit.
-
Git et GitHub
Utilisez l’intégration Git pour suivre le travail et GitHub Actions prise en charge pour implémenter des workflows d’apprentissage automatique.
-
Points de terminaison managés
Utilisez des points de terminaison managés pour faire fonctionner le déploiement et le scoring de modèles, consigner des métriques et effectuer des déploiements de modèle sécurisé.
-
Mise à l’échelle automatique du calcul
Utilisez des superordinateurs d’intelligence artificielle basés sur l’objectif pour distribuer un entraînement Deep Learning enrichi et rapidement tester, valider des déployer des modèles. Partagez des clusters de processeur et de GPU dans un espace de travail et mettez à l’échelle automatiquement pour répondre à vos besoins de Machine Learning.
-
Interopérabilité avec d’autres services Azure
Accélérez la productivité avec Microsoft Power BI et des services tels que Azure Synapse Analytics, Recherche cognitive Azure, Azure Data Factory, Azure Data Lake, Azure Arc, le Centre de sécurité Azure et Azure Databricks.
-
Support hybride et multicloud
Exécutez le Machine Learning sur des clusters Kubernetes existants en local, dans des environnements multiclouds et à la périphérie avec Azure Arc. Utilisez l’agent Machine Learning simple pour démarrer des modèles d’apprentissage de manière plus sécurisée, où que se trouvent vos données.
-
Sécurité de niveau d’entreprise
Créez et déployez des modèles de manière plus sécurisée avec l’isolation réseau et les fonctionnalités d’adresse IP privée de bout en bout, le contrôle d’accès en fonction du rôle pour les ressources et les actions, les rôles personnalisés et l’identité managée pour les ressources de calcul.
-
Gestion des coûts
Réduisez les coûts informatiques et gérez mieux les allocations de ressources pour les instances de calcul, avec des limites de quota au niveau de l’espace de travail et des ressources et un arrêt automatique.
Bénéficiez d’une sécurité et d’une conformité complètes intégrées
-
Microsoft investit plus de 1 milliard de $ USD par an dans la recherche et le développement en matière de cybersécurité.
-
Nous employons plus de 3 500 experts de sécurité qui se consacrent à la sécurité et à la protection des données.
-
Azure propose plus de certifications que tout autre fournisseur de service dans le nuage. Voir la liste complète.
-
Payer uniquement ce dont vous avez besoin, sans frais initiaux
Démarrer avec un compte Azure gratuit
1
Essai gratuit. Recevez un crédit de 200 $ USD à utiliser dans un délai de 30 jours. Pendant que vous disposez de votre crédit, bénéficiez de volumes gratuits de nombreux services populaires et accédez à plus de 55 autres services toujours gratuits.
2
Lorsque votre crédit est épuisé, passez au paiement à l’utilisation pour continuer à créer des applications à l’aide de ces mêmes services gratuits. Payez uniquement si vous utilisez une quantité supérieure aux volumes mensuels gratuits.
3
Après 12 mois, vous continuerez à bénéficier de plus de 55 services toujours gratuits - vous ne paierez que ce que vous utilisez au-delà de vos volumes mensuels gratuits.
Créez de nouveaux modèles et stockez vos cibles, modèles, déploiements, métriques et historiques d’exécution de calcul dans le nuage.
Utilisez le Machine Learning automatisé pour identifier les algorithmes et les hyperparamètres et suivre les expériences dans le nuage. Créez des modèles à l'aide de notebooks ou du concepteur par glisser-déposer.
Déployez votre modèle Machine Learning dans le nuage ou à la périphérie, surveillez les performances et recommencez l’apprentissage si nécessaire.
Clients utilisant Azure Machine Learning
"Nous nous efforçons d’essayer de nouvelles idées et d’aller au-delà pour différencier AXA Royaume-Uni des autres collaborateurs. Nous voyons les points de terminaison managés dans Azure Machine Learning comme un facteur d’activation clé pour notre ambition numérique."
Nic Bourven, Directeur de l’information, AXA Royaume-Uni
" Les clients attendent des informations précises et opportunes sur leurs packages et une expérience de livraison basée sur les données. Nous aidons FedEx à rester à l’avant-garde avec Azure Machine Learning, et nous développons une expertise pour les projets futurs."
Bikram Virk, Responsable produit, IA et Machine Learning, FedEx
"À mesure que de plus en plus de nos groupes s’appuient sur la solution Azure Machine Learning, nos experts financiers peuvent se concentrer davantage sur les tâches de niveau supérieur et consacrer moins de temps à la collecte et à l’entrée manuelles des données."
Jeff Neilson, Manager de science des données, 3M
i
"Avec Azure Machine Learning, nous pouvons montrer au patient un score de risque hautement adapté à sa situation individuelle. …Au final, nous nous efforçons de réduire les risques, de réduire l’incertitude et d’améliorer les résultats de l’opération."
Professeur Mike Reed, directeur clinique, Trauma & Orthopédique, Northumbria Healthcare NHS Foundation Trust
1
"Nous avons utilisé les fonctionnalités MLOps dans Azure Machine Learning pour simplifier l’ensemble du processus Machine Learning. Cela nous permet de nous concentrer davantage sur la science des données et de laisser Azure Machine Learning prendre en charge l’opérationnalisation de bout en bout."
Michael Cleavinger, Directeur senior Insights acheteurs, Science des données et Analytics avancés, PepsiCo
.
"L’utilisation des fonctionnalités de Machine Learning automatisées de Azure Machine Learning pour la création de modèles Machine Learning nous a permis de réaliser un environnement dans lequel nous pouvons créer et expérimenter différents modèles de plusieurs perspectives."
Keiichi Sawada, Division Transformation d’entreprise, Seven Bank
Ressources Azure Machine Learning
Tutoriels pour les débutants
Bien démarrer avec le Machine Learning et le SDK Python
Bien démarrer avec les notebooks Jupyter
Prise en main du Machine Learning automatisé
Utiliser l’outil Concepteur pour le Machine Learning par glisser-déplacer
Entraîner des modèles avec l’interface CLI
Entraîner un modèle à l’aide de l’extension Visual Studio Code
Tutoriels avancés
Former et déployer des modèles Machine Learning automatisé
Découvrir des exemples MLOps dans GitHub
Utiliser l’outil Concepteur pour la prédiction
Interpréter et expliquer les modèles Machine Learning
Interpréter et expliquer les modèles de Machine Learning automatisé
Utiliser le kit de développement logiciel (SDK) Python pour le Machine Learning automatisé
Utiliser l’interface utilisateur Machine Learning automatisé
Entraîner automatiquement un modèle de série chronologique
Entraîner automatiquement un modèle de détection d’objet
Entraîner automatiquement un modèle de traitement en langage naturel
Vidéos recommandées
Images Docker prédéfinies pour l’inférence
Exécuter Machine Learning en tout lieu
Démocratiser l’IA avec le concepteur Machine Learning
Découvrez comment être un héros du Machine Learning
Notebooks Azure Machine Learning Studio
Gérez vos ressources, vos artefacts et votre code
Guide Maîtrise de Azure Machine Learning
Découvrez les principales techniques d’experts pour créer des pipelines et des modèles Machine Learning de bout en bout automatisés et hautement évolutifs dans Azure à l’aide de TensorFlow, Spark et Kubernetes.
Livre blanc sur l’ingénierie MLOps
Découvrez une approche systématique de la création, du déploiement et de la surveillance de solutions d’apprentissage automatique avec MLOps. Créez, testez et gérez rapidement des cycles de vie Machine Learning prêts pour la production à grande échelle.
Étude Forrester Total Economic ImpactTM (TEI)
L’étude Forrester Consulting Total Economic ImpactTM (TEI), commandée par Microsoft, examine le retour sur investissement potentiel (ROI) que les entreprises peuvent réaliser avec Azure Machine Learning.
Livre blanc sur les solutions Machine Learning
Découvrez comment créer des solutions sécurisées, évolutives et équitables.
Livre blanc sur l’IA responsable
Découvrez les outils et méthodes permettant de comprendre, de protéger et de contrôler vos modèles.
Livre blanc sur les opérations d’apprentissage automatique (MLOps)
Accélérez le processus de création, d’entraînement et de déploiement de modèles à grande échelle.
Livre blanc Machine Learning compatible avec Azure Arc
Découvrez comment créer, entraîner et déployer des modèles dans n’importe quelle infrastructure.
Forum aux questions sur Azure Machine Learning
-
Le service est généralement disponible dans plusieurs pays/régions, avec plus d’informations sur le chemin.
-
Le contrat SLA pour Azure Machine Learning garantit une durée de bon fonctionnement de 99,9 %.
-
Azure Machine Learning Studio est la ressource de niveau supérieur pour le Machine Learning. Cette fonctionnalité offre aux scientifiques des données et aux développeurs un emplacement centralisé dans lequel utiliser tous les artefacts pour créer, former et déployer des modèles Machine Learning.