De nouvelles fonctionnalités pour Microsoft Azure Machine Learning sont désormais disponibles en préversion

Voici quelques fonctionnalités :

• Open Datasets - Les jeux de données ouverts sont une collection de jeux de données du domaine public destinés à accélérer le développement de modèles Machine Learning conçus dans Azure. Open Datasets s'intègre à Machine Learning Studio ou est accessible depuis les notebooks Python dans Azure Machine Learning Service. Azure Open Datasets propose des données de qualité issues du domaine public, des données souvent difficiles à trouver et coûteuses en termes de gestion. Les scientifiques des données sont plus productifs s'ils se concentrent sur la conception de modèles plutôt que sur la préparation de données.
• Interface visuelle : La nouvelle interface visuelle pour Azure Machine Learning dote le service Azure Machine Learning de fonctionnalités de workflow par glisser-déplacer. Elle simplifie le processus de création, de test et de déploiement de modèles Machine Learning pour les clients préférant une expérience visuelle à une expérience de codage. Cette intégration réunit le meilleur de ML Studio et du service AML. L’expérience par glisser-déposer permet aux scientifiques des données de rapidement créer un modèle sans codage. Grâce à cet outil, le scientifique des données dispose de suffisamment de flexibilité pour ajuster son modèle. En tant que plateforme backend, le service AML offre notamment extensibilité, sécurité, déboguabilité, ce que ne permet pas ML Studio. La fonctionnalité de déploiement dans l'interface visuelle permet de facilement générer le fichier score.py et de créer des images. En quelques clics, un modèle formé peut être déployé sur n’importe quel cluster AKS associé au service AML.
• ML automatisé - Expérience utilisateur : 
  • Déployer en tant que services web pour prédire de nouvelles données
  • En quelques clics, dotez-vous du modèle le plus adapté aux problèmes de classification, de régression ou de prévision
  • Analyser les modèles générés
  • Scientifiques des données Citizen : Générez des modèles ML sans écrire de code Python (ni tout autre type de code). Scientifiques des données : Explorez et générez rapidement des centaines de modèles, puis continuez à optimiser les meilleurs modèles dans le notebook Jupyter
• Machines virtuelles Notebook : Mi-avril, Azure Machine Learning sera proposé en préversion privée avec service de notebook hébergé, et nous envisageons sa préversion publique en mai. Les notebooks hébergés offrent une expérience orientée code qui permet aux utilisateurs d'effectuer toutes les opérations prises en charge par le kit de développement logiciel (SDK) Azure Machine Learning Python à l'aide d'un notebook Jupyter bien connu. Les notebooks hébergés simplifient le processus de prise en main en fournissant aux utilisateurs ML un environnement sécurisé et adapté aux entreprises. Dans la préversion privée, les clients pourront : accéder à un notebook intégré dans l'espace de travail Azure ML, utiliser des notebooks Azure ML sans configuration requise, personnaliser entièrement leurs machines virtuelles notebook, en y ajoutant notamment des packages et des pilotes.

​Vous pouvez désormais utiliser MLflow avec votre espace de travail Azure Machine Learning pour consigner des métriques et des artefacts issus de vos exécutions d'entraînement dans un emplacement centralisé, sécurisé et évolutif. Le suivi MLflow peut se faire depuis votre machine locale, une machine virtuelle ou un environnement Compute distant.

• Data Box Edge avec FPGA : Les FPGA sont une option de d'inférence de Machine Learning basée sur Project Brainwave, une architecture matérielle Microsoft. Scientifiques des données et développeurs peuvent utiliser des FPGA pour accélérer les calculs IA en temps réel. Ces modèles accélérés matériellement sont maintenant généralement disponibles dans le cloud, de même qu'une préversion des modèles déployés sur Data Box Edge.​​ Les FPGA offrent niveau de performance, flexibilité et mise à l'échelle, et sont uniquement disponibles via Azure Machine Learning. Ils permettent d’obtenir une faible latence pour les requêtes d’inférence en temps réel, ce qui réduit le besoin de requêtes asynchrones (traitement par lot).