Ignorez la navigation

Azure Machine Learning

Un service de niveau entreprise pour le cycle de vie de l'apprentissage automatique de bout en bout

Azure Machine Learning

Un service de niveau entreprise pour le cycle de vie de l'apprentissage automatique de bout en bout

Créez des modèles Machine Learning stratégiques à grande échelle

Permettez aux chercheurs de données et aux développeurs de créer, de déployer et de gérer des modèles de haute qualité plus rapidement et en toute confiance. Accélérez le Time-to-value avec les MLOps (opérations de Machine Learning), l’interopérabilité open source et les outils intégrés. Innovez sur une plateforme sécurisée et fiable, conçue pour un Machine Learning (ML) responsable.

Créez et formez rapidement des modèles

Utilisez l’expérience de développement Studio pour accéder à des outils intégrés et une prise en charge pointue des bibliothèques et frameworks open source.

Opérationnalisez à grande échelle

Déployez des modèles en un seul clic et gérez-les efficacement avec MLOps.

Fournissez des solutions responsables

Comprenez et protégez les données et les modèles, créez en gardant l’équité à l’esprit et améliorez la qualité du modèle.

Innovez sur une plateforme hybride plus sécurisée

Exécutez des charges de travail Machine Learning n’importe où avec la gouvernance, la sécurité et la conformité intégrées.

Un ROI jusqu’à 3 fois supérieur sur les projets ML

70 % d’étapes en moins pour l’apprentissage des modèles

90 % de lignes de code en moins pour les pipelines

60 certifications de conformité

La seule plateforme avec PyTorch Enterprise

Prise en charge du cycle de vie complet de l'apprentissage machine (ML)

Étiquetage des données

Étiquetez les données d’apprentissage et gérez les projets d’étiquetage.

Préparation des données

Intégrez 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 un calcul attaché.

ML automatisé

Entraînez et ajustez automatiquement des modèles précis.

Concepteur de glisser-déplacer

Concevez avec l’interface de développement glisser-déplacer.

Expériences

Exécutez des expériences et créez et partagez des tableaux de bord personnalisés.

Visual Studio Code et GitHub

Utilisez des outils familiers et passez facilement de la formation locale au cloud.

Instance de calcul

Développez dans un environnement managé et sécurisé avec des processeurs cloud, des processeurs et des clusters de calcul.

Bibliothèques et frameworks open source

Bénéficiez d’une prise en charge intégrée pour Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib, etc.

Points de terminaison managés

Utilisez le déploiement en un clic pour le lot et l’inférence en temps réel.

Pipelines et intégration continue et livraison continue (CI/CD)

Automatisez les flux d'apprentissage automatique.

Images prédéfinies

Accédez aux images conteneur avec des infrastructures et des bibliothèques pour l’inférence.

Référentiel de modèles

Partagez et suivez des modèles et des données.

Hybride et multicloud

Formez et déployez des modèles sur site et en multicloud.

Optimiser les modèles

Accélérez l’entraînement et l’inférence et réduisez les coûts avec le runtime ONNX.

Superviser et analyser

Suivez, journaliser et analyser des données, des modèles et des ressources.

Dérive des données

Détectez la dérive et maintenez la précision du modèle.

Analyse des erreurs

Déboguez des modèles et optimisez la précision du modèle.

Audit

Tracez les artefacts ML pour la conformité.

Stratégies

Tirez parti des stratégies intégrées et personnalisées pour la gestion de la conformité.

Sécurité

Bénéficiez d’une surveillance continue avec Azure Security Center.

Contrôler les coûts

Appliquez la gestion des quotas et l’arrêt automatique.

Accélérez le Time-to-value avec un développement de modèles rapide et précis

Améliorez la productivité avec Studio, l’expérience de développement qui prend en charge toutes les tâches ML pour créer, former et déployer des modèles. Collaborez avec des notebooks Jupyter à l’aide de la prise en charge intégrée des bibliothèques et framework open source populaires. Créez rapidement des modèles précis avec le ML automatisé, en utilisant des fonctionnalités d’ingénierie de caractéristiques et de nettoyage des hyperparamètres. Accédez au débogueur, au profileur et aux explications pour améliorer les performances du modèle au fur et à mesure de son apprentissage. Utilisez l’étroite intégration avec Visual Studio Code pour passer de la formation locale à la formation cloud de façon fluide et effectuez une mise à l’échelle automatique avec des clusters UC et GPU puissants basés sur le cloud.

Faites fonctionner à grande échelle avec des opérations de Machine Learning (MLOps)

Simplifiez le déploiement et la gestion de milliers de modèles locaux, en périphérie et dans des environnements multiclouds à l’aide de MLOps. Déployez et notez des modèles plus rapidement avec des points de terminaison complètement managés pour les prédictions par lots et en temps réel. Utilisez des pipelines reproductibles pour automatiser les workflows pour l’intégration continue et la livraison continue (CI/CD). Surveillez en permanence les mesures de performance du modèle, détectez la dérive des données et déclenchez un nouvel apprentissage pour améliorer les performances du modèle. Tout au long du cycle de vie, activez l’audit et la gouvernance avec le suivi et la traçabilité prêts à l’emploi pour tous les artefacts ML.

Fournissez des solutions de Machine Learning responsables

Accédez aux fonctionnalités d’IA responsable de pointe pour augmenter la transparence du modèle et améliorer la fiabilité. Découvrez les modèles à l’aide de visualisations prêtes à l’emploi et utilisez l’analyse de scénarios pour déterminer l’impact des caractéristiques sur les prédictions. Partagez les graphes d’explication de modèle avec votre équipe pour garantir la conformité. Utilisez des algorithmes de pointe pour tester les modèles pour les problèmes d’équité, comparer différents modèles et prendre des mesures pour atténuer les problèmes. Identifiez et déboguez les erreurs de modèle avec le kit d’analyse des erreurs pour améliorer la précision du modèle.

Innovez sur une plateforme hybride qui est plus sécurisée et conforme

Augmentez la sécurité dans l’ensemble du cycle de vie ML avec des fonctionnalités complètes couvrant l’identité, l’authentification, les données, la mise en réseau, la surveillance, la gouvernance et la conformité. Créez des solutions ML plus sécurisées à l’aide du contrôle d’accès en fonction du rôle personnalisé, des réseaux virtuels, du chiffrement des données, des points de terminaison privés et des adresses IP privées de bout en bout. Formez et déployez des modèles en local pour répondre aux exigences de souveraineté des données. Gérez la gouvernance à l’aide de stratégies intégrées et rationalisez la conformité avec un portefeuille complet couvrant 60 certifications, y compris FedRAMP High et HIPAA.

Développez vos compétences en matière de Machine Learning avec Azure

En savoir plus sur l’apprentissage automatique sur Azure et participer à des didacticiels pratiques avec ce parcours d’apprentissage de 30 jours. À la fin, vous serez prêt pour la certification Azure Data Scientist Associate.

Fonctionnalités de service clés pour le cycle de vie ML

Étiquetage des données

Créez, gérez et surveillez les projets d’étiquetage, et automatisez les tâches itératives avec l’étiquetage assisté par le Machine Learning.

Préparation des données

Effectuez une préparation interactive des données avec PySpark, à l’aide de l’intégration intégrée à 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 et la prévision de série chronologique. 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.

Apprentissage automatique 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 à l’aide du toolkit 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.

Registre de modèles et piste d'audit

Utilisez le registre central pour stocker et suivre les données, les modèles et les métadonnées. Capturez automatiquement les données de traçabilité et de gouvernance avec la piste d'audit.

Git et GitHub

Utilisez l’intégration Git pour suivre les tâches et la prise en charge de GitHub Actions pour implémenter des workflows ML.

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 le calcul managé pour distribuer l’apprentissage et tester, valider et déployer rapidement des modèles. Partagez des clusters d’UC et de GPU dans un espace de travail et mettez à l’échelle automatiquement pour répondre à vos besoins de Machine Learning.

Intégration profonde avec d’autres services Azure

Accélérez la productivité avec une intégration aux services Power BI et Azure, tels qu’Azure Synapse Analytics, Recherche cognitive Azure, Azure Data Factory, Azure Data Lake, Azure Arc, Azure Security Center 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 en un clic pour commencer à former des modèles de façon plus sécurisée, où que vos données résident.

Sécurité de niveau d’entreprise

Créez et déployez des modèles de manière plus sécurisée avec des fonctionnalités d’adresses IP privées 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

Permettez au service informatique de réduire les coûts et de mieux gérer les allocations de ressources pour les instances de calcul avec des limites de quota et d’arrêt automatique au niveau de l’espace de travail et des ressources.

Payez uniquement ce dont vous avez besoin, sans frais initiaux

Maîtriser Azure Machine Learning

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.

Ingénierie MLOps

Découvrez une approche systématique de la création, du déploiement et de la surveillance des solutions d'apprentissage automatique avec MLOps. Créez, testez et gérez rapidement des cycles de vie d'apprentissage automatique prêts pour la production à l'échelle.

The Forrester WaveTM 2020

Forrester positionne Microsoft Azure Machine Learning comme leader dans le rapport The Forrester Wave™ : analyse prédictive et Machine learning basés sur un notebook, T3 2020.

Plage de retour sur investissement prévue jusqu’à 3 fois supérieure : Forrester Total Economic ImpactTM (TEI)

Forrester Total Economic Impact™ (TEI), une étude menée par Forrester Consulting, fournit un framework permettant d’évaluer l’impact financier potentiel d’Azure Machine Learning sur les organisations.

Livre blanc Solutions Machine Learning et mise à l’échelle de l’entreprise

Livre blanc Solutions Machine Learning et mise à l’échelle de l’entreprise

Livre blanc sur l’IA responsable

Outils et méthodes pour comprendre, protéger et contrôler vos modèles.

Livre blanc sur les opérations de Machine Learning (MLOps)

Accélérez le processus de création, de formation et de déploiement de modèles à grande échelle.

Mode d'utilisation d'Azure Machine Learning

Accédez à votre expérience web studio

Générez et formez

Déployez et gérez

Étape 1 sur 1

Créez de nouveaux modèles et stockez vos cibles de calcul, modèles, déploiements, métriques et historiques d’exécution dans le cloud.

Étape 1 sur 1

Utilisez un Machine Learning automatisé pour identifier des algorithmes et hyperparamètres, ainsi que pour suivre des expériences plus rapidement dans le cloud. Créez des modèles à l'aide de notebooks ou du concepteur par glisser-déposer.

Étape 1 sur 1

Déployez votre modèle Machine Learning dans le cloud ou à la périphérie, surveillez les performances et recommencez l’apprentissage si nécessaire.

Commencez à utiliser Azure Machine Learning dès aujourd'hui

Obtenez un accès instantané et $200 de crédit en créant un compte Azure gratuit.

Connectez-vous au portail Azure.

Clients utilisant Azure Machine Learning

"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."

Bikram Virk, chef de produit, IA et Machine Learning, FedEx
FedEx

"The end-to-end pipeline (built with Azure Machine Learning) has all the features needed to develop and maintain machine learning models throughout their lifecycles."

Dr. Deepa Kasinathan, chef de produit et responsable de groupe, Robotron Datenbank-Software GmbH
Groupe DU GROUPE

"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."

Ignasi Paredes-Oliva, scientifique des données senior, Nestlé Global Security Operations Center
Nestle Italia

"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."

Michael Cleavinger, directeur senior Science des données et Analytique Insights acheteurs, PepsiCo
PepsiCo

Facilitez la vie des voyageurs ferroviaires

DB Systel (partenaire numérique de la compagnie ferroviaire allemande Deutsche Bahn) a développé une solution appelée Digital Guide Dog pour aider les voyageurs. À l’aide de Microsoft Azure Machine Learning, il suffit de quelques heures pour former un nouveau modèle à l’aide de réseaux neuronaux.

DB Systel GmbH

Mises à jour, billets de blog et annonces relatifs à Azure Machine Learning

Forum aux questions sur Azure Machine Learning

  • Le service est généralement disponible dans plusieurs pays/régions, et s’élargit progressivement à d’autres pays/régions.
  • 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.

Créer votre compte gratuit Azure

Essayez gratuitement Machine Learning.

Démarrage avec paiement à l’utilisation