Opérations d’apprentissage automatique (MLOps)
Accélérez l’automatisation, la collaboration et la reproductibilité des flux de travail d’apprentissage automatique
Déploiement et gestion simplifiés de milliers de modèles dans des environnements de production, de l’environnement local à l’environnement périphérique
Points de terminaison complètement managés pour les prédictions par lot et en temps réel afin de déployer et d’évaluer des modèles plus rapidement
Pipelines reproductibles pour automatiser les flux de travail d’apprentissage automatique pour l’intégration continue/la livraison continue (CI/CD)
Surveille en permanence les mesures de performances du modèle, détecte la dérive des données et déclenche le recyclage pour améliorer les performances du modèle
Livrez rapidement l’innovation.
MLops (les opérations d’apprentissage automatique, ou DevOps pour l’apprentissage automatique), c’est là où se rencontrent les individus, les processus et la plateforme pour générer une valeur commerciale grâce à l’apprentissage automatique. Il simplifie le développement et le déploiement par le biais d’une surveillance, d’une validation et d’une gouvernance de modèles d’apprentissage automatique.
Créer des modèles et des flux de travail d’apprentissage automatique
Utilisez des jeux de données et des registres de modèles enrichis pour suivre les ressources. Profitez d’une traçabilité améliorée avec un suivi du code, des données et des mesures dans l’historique des exécutions. Créez des pipelines d’apprentissage automatique pour concevoir, déployer et gérer des flux de travail aux modèles reproductibles pour une livraison cohérente des modèles.
Déployez facilement des modèles hautement précis où que vous soyez.
Déployez rapidement et en toute confiance. Utilisez des points de terminaison en ligne gérés pour déployer des modèles sur de puissantes unités CPU et GPU, sans gérer l’infrastructure sous-jacente. Créez rapidement des modèles de packages et assurez une qualité supérieure à chaque étape à l’aide des outils de profilage et de validation des modèles. Utilisez le déploiement contrôlé pour promouvoir les modèles en production.
Gérer efficacement l’intégralité du cycle de vie de l’apprentissage automatique
Profitez de l'intégration intégrée avec Azure DevOps et GitHub Actions pour gérer et automatiser les flux de travail en toute fluidité. Optimisez les pipelines de formation et de déploiement des modèles, créez une intégration continue/livraison continue (CI/CD) afin de faciliter le recyclage, et intégrez facilement l'apprentissage automatique à vos processus de publication existants. Utilisez l'analyse avancée de la dérive des données pour améliorer les performances des modèles au fil du temps.
Atteindre la gouvernance entre les ressources
Effectuez un suivi de l’historique des versions et de la traçabilité du modèle pour son auditabilité. Définissez des quotas de calcul sur les ressources et appliquez des stratégies pour garantir le respect des normes de sécurité, de confidentialité et de conformité. Utilisez des fonctionnalités avancées pour atteindre des objectifs de gouvernance et de contrôle, et promouvoir la transparence et l’impartialité des modèles.
Bénéficier de l’interopérabilité avec MLflow
Créez des workflows Machine Learning flexibles et plus sécurisés de bout en bout à l’aide de MLflow et Azure Machine Learning. Mettez à l’échelle vos charges de travail existantes de l’exécution locale au cloud intelligent et à la périphérie. Stockez vos expériences MLflow, exécutez des indicateurs de performance, des paramètres et des artefacts de modèle dans l’espace de travail Azure Machine Learning centralisé.
Accélérez les opérations MLOps collaboratives entre les espaces de travail
Facilitez la collaboration entre espaces de travail et MLOps avec des registres. Hébergez des ressources d’apprentissage automatique dans un emplacement central, les mettant à la disposition de tous les espaces de travail de votre organisation. Découvrez, mettez en avant et partagez des modèles, des environnements, des composants et des jeux de données avec vos équipes. Réutilisez des pipelines et déployez des modèles créés par des équipes dans d’autres espaces de travail tout en gardant la traçabilité intacte.
Centre de ressources
Afficher les opérations d'apprentissage automatique en action
Construire des pipelines d'apprentissage automatique pour concevoir, déployer et gérer les flux de travail des modèles.
Construire des pipelines d'apprentissage automatique pour concevoir, déployer et gérer les flux de travail des modèles.
Automatisation d’un pipeline d’apprentissage automatique
Sam est un scientifique des données travaillant pour un détaillant de mode en ligne. L’entreprise a récemment commencé à utiliser l’apprentissage automatique pour fournir des recommandations opportunes et précises, ce qui améliore la satisfaction des clients et les ventes.
Après une mise à jour du catalogue, Sam a été invité à mettre à jour le modèle de recommandation de marque, mais personne ne sait d’où provient le modèle actuel. Il se tourne vers Azure Machine Learning pour créer un flux de travail reproductible et traçage.
Sam est un scientifique des données pour une enseigne de vente au détail en ligne, chargé de mettre à jour le modèle de recommandation de celle-ci après une récente mise à jour de son catalogue. Sam recherche le pipeline du modèle, mais personne ne connaît l’origine du modèle.
Sam se tourne vers Azure ML pour créer un flux de travail de modèle traçable.
Utiliser Azure Machine Learning avec vos outils existants
Sam utilise le Kit de développement logiciel (SDK) Azure Machine Learning pour déplacer son travail basé sur Jupyter Notebook vers Azure Machine Learning, en tirant parti de ses fonctionnalités de mise à l’échelle et de collaboration. En utilisant le cadre qu'il a choisi, il versionne son code de formation et ses ensembles de données et les lie à une expérience traçable.
Capturer les métriques à partir de chaque exécution de l’expérience
Chaque fois que Sam exécute une exécution, Azure Machine Learning suit ses métriques et la journalise pour révision. Cette opération capture les entrées (comme les jeux de données, le code et les paramètres) et les sorties (comme les journaux, les indicateurs de performance et les modèles) à des fins d’évaluation et de comparaison.
Examiner les modèles et les expériences dans l’espace de travail
Tandis que Sam continue de travailler dans son environnement de bloc-notes, son équipe utilise Azure Machine Learning Studio pour remonter facilement depuis le modèle final dans le registre des modèles jusqu'à chaque actif et étape utilisés pour le créer.
Créer des pipelines réutilisables pour l’efficacité et la cohérence
Sam crée un pipeline d'apprentissage automatique réutilisable pour fournir un flux de formation de modèle et le déclencher automatiquement en cas de modification des données sources. Si nécessaire, il peut réutiliser le résultat des étapes sans modifier les entrées.
Créer des pipelines d’apprentissage automatique reproductibles
Sam a construit un flux de travail reproductible et traçable en utilisant Azure Machine Learning. Chaque modèle produit par l'équipe est désormais lié à une expérience pour examen et itération. Grâce à un pipeline reproductible, Sam laisse Azure Machine Learning automatiser le recyclage pendant qu'il se concentre sur le prochain projet important.
Azure Machine Learning vous aide à construire des pipelines d'apprentissage automatique de niveau entreprise grâce à la reproductibilité et à la traçabilité. Cela permet de livrer des modèles plus cohérents, avec moins de variabilité et une meilleure tolérance aux pannes.
En savoir plus sur les pipelines d’apprentissage automatique Parcourir le dépôt GitHub pour cette démonstration
Sam s’est servi d’Azure ML pour créer un flux de travail reproductible et traçable. Chaque modèle que l’équipe produit est désormais lié à une exécution de l’expérience, ce qui permet à l’équipe de l’examiner et de l’itérer. Avec un pipeline reproductible, Sam peut laisser Azure ML automatiser le réapprentissage pendant qu’il se concentre sur la grande étape suivante.
Azure ML vous aide à créer des pipelines d’apprentissage automatique de classe Entreprise par le biais de la reproductibilité et de la traçabilité. Cela conduit à une livraison de modèle plus cohérente avec moins de variabilité et une tolérance de panne accrue.
En savoir plus sur les pipelines d’apprentissage automatique Parcourir le dépôt GitHub pour cette démonstration
Déployez rapidement en confiance à l’aide de clusters d’inférence distribués et managés à l’aide de la mise à l’échelle automatique.
Déployez rapidement en confiance à l’aide de clusters d’inférence distribués et managés à l’aide de la mise à l’échelle automatique.
Déploiement d’un point de terminaison de service web pour un modèle
Sam, un scientifique des données travaillant pour un détaillant de mode en ligne, a ajouté Azure Machine Learning à son flux de travail pour créer de meilleurs modèles. Son pipeline automatisé vient d'enregistrer un modèle final dont les résultats expérimentaux ci-joints montrent une amélioration des performances.
L'équipe de développement web ne sait pas comment intégrer un modèle d'apprentissage automatique dans l'application web et a demandé un service web à la place. Sam se tourne vers Azure Machine Learning pour l'aider à ajouter un point de terminaison de service web à son modèle.
Sam, un scientifique des données chez un détaillant en ligne, a utilisé Azure ML pour créer et enregistrer un modèle. Son équipe de développement web lui a maintenant demandé un point de terminaison web pour appeler son modèle à des fins d'inférence. Sam utilise Azure ML pour créer ce point de terminaison de service Web.
Extraire le dernier modèle et le profiler pour la production
Sam va chercher le dernier modèle dans le registre et le profile pour voir quel type de ressources il pourrait avoir besoin en production.
Envoyer (push) le modèle à Azure Container Instances
Avec les données de profilage en main, Sam utilise Azure Machine Learning pour empaqueter le modèle dans un conteneur et le déployer sur Azure Container Instances pour l'inférence en temps réel ou par lots. Après le déploiement, il profite des fonctions de génération automatique de schémas et de surveillance d'Azure Machine Learning.
Déployer sur divers points de terminaison évolutifs et implémenter des tests A/B
Avec seulement quelques lignes de code, Sam pousse le même modèle vers une instance Azure Kubernetes Service (AKS) plus évolutive et exerce des capacités avancées de test A/B pour la validation du nouveau modèle. Il peut désormais déployer des modèles partout où ils sont nécessaires, du cloud à la périphérie, en utilisant des options de calcul telles que le CPU, le GPU et le FPGA.
Permettre à l’équipe de développement web d’utiliser le modèle déployé
Une fois le modèle déployé sur une instance d'AKS, l'équipe de développement Web accède au point de terminaison du service Web pour l'appeler à partir de son application afin de répondre aux besoins d'inférence en temps réel ou par lots. Sam surveille le point de terminaison du modèle pour la dérive des données et d'autres mesures, qui peuvent être auditées si nécessaire.
Publier des modèles où qu’ils soient nécessaires
Sam a transformé son modèle open-source en un service web prêt à être mis en production pour son équipe de développement. Il s'est concentré sur le développement de modèles plutôt que d'apprendre les nombreuses technologies nécessaires à l'hébergement du service, notamment Kubernetes, Flask et Swagger.
Azure Machine Learning vous aide à transformer de manière transparente vos modèles en services web matures et complets, ce qui permet de les adopter rapidement dans les applications.
Apprenez à déployer des modèles avec Azure Machine Learning.
Avec Azure ML, Sam a pris son modèle open source et l’a rapidement transformé en service web prêt pour la production et utilisable par son équipe de développement. En tant que scientifique des données, il a pu continuer à se concentrer sur le développement de modèles, au lieu de devoir se former à l’utilisation des nombreuses technologies nécessaires pour l’hébergement du service (dont Kubernetes, Flask et/ou Swagger).
Azure ML permet aux chercheurs de données d’opérer sans heurts la migration de leurs modèles vers des services web matures et complets qui peuvent être rapidement adoptés dans des applications.
Apprenez à déployer des modèles avec Azure Machine Learning.
Entrez en interaction avec Azure DevOps et GitHub Actions pour automatiser les flux de travail d’apprentissage automatique.
Entrez en interaction avec Azure DevOps et GitHub Actions pour automatiser les flux de travail d’apprentissage automatique.
Intégration à votre flux de travail DevOps
Sam, un scientifique de données travaillant pour un détaillant de mode en ligne, a utilisé Azure Machine Learning pour créer et déployer ses modèles. Il a récemment publié son modèle sur une instance de production d'Azure Kubernetes Service (AKS) et l'équipe web l'a intégré à l'application web avec des résultats prometteurs.
Rebecca, qui fait partie de l'équipe des opérations, veut s'assurer que la création et le déploiement de modèles font partie des flux de travail DevOps. Sam ne sait pas comment l'intégrer, il forme donc Rebecca à Azure Machine Learning et travaille avec elle pour déterminer comment cette solution peut répondre à leurs besoins respectifs.
Sam, un scientifique des données, a récemment utilisé Azure ML pour construire et déployer des modèles. Il vient de publier un modèle sur leur instance AKS de production. Rebecca veut l'intégrer à leurs flux de travail DevOps. Sam lui indique Azure ML.
Créer un pipeline de mise en production avec Azure Pipelines
Rebecca crée un pipeline dans Azure Pipelines pour automatiser le processus de déploiement. La première étape du pipeline accomplit des tâches comme la construction du modèle avec toutes les dépendances et la vérification des erreurs. Pour déclencher automatiquement ce pipeline, Rebecca le connecte au registre de modèles Azure Machine Learning, en veillant à ce qu'il démarre chaque fois qu'un nouveau modèle ou une nouvelle version du modèle est enregistré.
Publier le modèle pour validation
Rebecca ajoute une tâche pour publier le modèle sur Azure Container Instances afin de le valider avant de le mettre en production. Elle utilise l'Azure CLI pour interagir avec Azure Machine Learning. Cela lui permet d'accéder aux mêmes fonctionnalités dans ses outils que celles dont dispose Sam dans son carnet de notes. Cette étape imite les tests d'intégration dans le processus DevOps de leur application.
Déplacer le modèle vers la production après validation
Rebecca ajoute une tâche de pipeline de diffusion pour déployer le modèle en production à l'aide d'AKS. Avant d'activer cette tâche, Rebecca configure une porte exigeant qu'un responsable ou un gestionnaire évalue et approuve avant de poursuivre. Cela permet de s'assurer que le pipeline ne provoque pas de perturbations majeures si un problème n'a pas été détecté lors des validations scriptées.
Configurer la détection de dérive de données pour déclencher un nouvel entraînement
Pendant que Rebecca met en place le pipeline automatisé pour déployer les modèles, Sam active la surveillance de la dérive des données avec Azure Machine Learning. En surveillant l'utilisation du service, il peut voir si les demandes d'inférence en production commencent à s'écarter de l'ensemble de données d'entraînement, ce qui indique qu'il faut procéder à un nouvel entraînement.
Surveiller la stabilité et les performances du service
À l'aide d'Application Insights, une fonctionnalité d'Azure Monitor, Rebecca surveille les opérations de service telles que le nombre de demandes, la charge sur le cluster AKS et la latence des réponses, tandis que Sam surveille les performances du modèle pour déterminer s'il faut procéder à des optimisations.
Créer un flux de travail de modèle simplifié
Rebecca a intégré Azure Machine Learning dans son flux de travail DevOps, de l'automatisation des versions à la surveillance de la production. Pendant qu'elle garde un œil sur les opérations de service, Sam surveille et gère les performances des modèles et les optimise si nécessaire.
Azure Machine Learning permet d'intégrer la science des données dans le processus DevOps de votre entreprise, ce qui se traduit par des projets d'apprentissage automatique plus fiables et plus solides.
Détecter la dérive de données (préversion) sur les jeux de données
Azure ML s’est intégré sans heurts dans le flux de travail de DevOps existant de Rebecca, de l’automatisation de la mise en production à la surveillance de la production, avec des intégrations natives dans des outils existants tels qu’Azure DevOps et Azure App Insights. Et tandis que Rebecca garde un œil sur les opérations de service, Azure ML fournit à Sam des outils pour surveiller et gérer les performances du modèle et les optimiser si nécessaire.
Azure ML aide la science des données à figurer en bonne place dans le processus de DevOps existant de votre organisation, ce qui conduit à des projets d’apprentissage automatique plus fiables et robustes.
Détecter la dérive de données (préversion) sur les jeux de données
Améliorer la gouvernance et la gestion des coûts dans vos projets d’apprentissage automatique
Améliorer la gouvernance et la gestion des coûts dans vos projets d’apprentissage automatique
Activation de la gouvernance du modèle d’apprentissage automatique
Phil, le responsable informatique d'un détaillant de mode en ligne, est enthousiasmé par le travail que les équipes de science des données et d'exploitation ont réalisé avec Azure Machine Learning.
Bien que Phil soit responsable de l'infrastructure informatique de l'entreprise, il n'est pas sûr de ce qui est en production, de qui y a accès ou de ce que cela va coûter. Il décide d'utiliser Azure Machine Learning pour l'aider à assumer ses responsabilités en matière de gouvernance.
Le manager informatique d’un détaillant en ligne est enthousiaste à l’idée du travail de Sam et Deman. Mais Il est responsable de l’infrastructure informatique et ne sait pas comment assurer la gouvernance autour du projet ML. Il recherche de l’aide sur Azure ML.
Passer en revue les modèles en production
Phil utilise Azure Machine Learning pour auditer les terminaux de production. Il peut naviguer jusqu'aux modèles et expériences sous-jacents ainsi qu'aux résultats des explications du modèle et de l'analyse de l'équité. Il est ainsi assuré de retracer chaque étape du processus de création du modèle et de permettre l'audit du modèle pour détecter tout biais.
Consulter les journaux d’audit pour obtenir l’historique détaillé d’un modèle
Phil accède aux journaux d'audit d'Azure Machine Learning. Ils complètent la traçabilité trouvée dans les modèles et les expériences avec un journal détaillé, qui suit chaque action (date, heure et utilisateur). Ces journaux aident Phil à retracer les actions initiées dans ou par le service pour une responsabilisation à l'échelle de l'organisation.
Sécuriser l’espace de travail à l’aide de la gestion des identités et des accès Azure
Phil utilise les solutions Azure de gestion des identités et des accès pour gérer l'accès à l'espace de travail Azure Machine Learning. Il utilise à la fois des rôles intégrés et des rôles personnalisés pour limiter les tâches que les utilisateurs peuvent effectuer et contrôler l'accès aux ressources.
Veiller à la responsabilisation avec les ressources Azure
Phil utilise la fonctionnalité des quotas pour configurer les limites et le partage des ressources. Cela l'aide à gérer les dépenses, à contrôler les coûts et à assurer une répartition équitable des ressources entre les équipes. Cela encourage également la responsabilisation des équipes de projet respectives.
Atteindre la gouvernance et la conformité des modèles
Phil peut désormais voir ce qui est en production et s’assurer de la conformité organisationnelle grâce à l'audit, au contrôle d'accès basé sur les rôles et à la gestion des quotas. Il apprécie la façon dont Azure Machine Learning soutient non seulement les équipes de science des données et d'opérations, mais fournit également les capacités de gouvernance au niveau de l’entreprise dont il a besoin.
Azure Machine Learning fournit les contrôles organisationnels essentiels à la réussite et à la sécurité des projets d'apprentissage automatique.
Surveiller Azure Machine Learning Planifier et gérer les coûts pour Azure Machine Learning
Phil est heureux qu’Azure ML, en plus de soutenir les équipes de science des données et d’opérations, offre les capacités de gouvernance de classe entreprise dont il a besoin pour rester à la hauteur de ses propres responsabilités. Il peut voir exactement ce qui est en production, ainsi que veiller à la conformité de l’organisation grâce à l’audit, au contrôle d’accès en fonction du rôle et à la gestion de quotas.
Azure ML fournit les contrôles organisationnels essentiels pour la réussite et la sécurité des projets d’apprentissage automatique.
Surveiller Azure Machine Learning Planifier et gérer les coûts pour Azure Machine Learning
Sécurité et conformité complètes et intégrées
-
Microsoft investit plus de USD 1 milliard 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 a plus de certifications que tout autre fournisseur de services cloud. Affichez la liste complète.
Démarrage avec un compte gratuit Azure
Démarrez gratuitement. Obtenez $200 crédits à utiliser dans les 30 jours. Pendant que vous avez votre crédit, obtenez des montants gratuits d’un bon nombre de nos services les plus populaires, ainsi que des montants gratuits de plus de 40 autres services toujours gratuits.
Après votre crédit, passez à payer au fur et à mesure pour continuer à construire avec les mêmes services gratuits. Payez uniquement si vous utilisez plus que vos montants mensuels gratuits.
Après 12 mois, vous continuerez à bénéficier de plus de 40 services toujours gratuits tout en payant uniquement ce que vous utilisez au-delà de vos montants mensuels gratuits.
Découvrez comment les clients créent de la valeur grâce aux opérations d'apprentissage automatique.
FedEx
Bikram Virk, chef de produit, IA et Machine Learning, FedEx"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."
BRF
Alexandre Biazin, Directeur exécutif de la technologie, BRF"We're scaling with automated machine learning in Azure and MLOps capabilities in Azure Machine Learning so that our 15 analysts can focus on more strategic tasks instead of the mechanics of merging spreadsheets and running analyses."
Nestlé
Ignasi Paredes-Oliva, scientifique des données senior, Nestlé Global Security Operations Center"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."
PepsiCo
Michael Cleavinger, directeur senior Science des données et Analytique Insights acheteurs, 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."
Ressources MLOps supplémentaires
Démarrer
Blog
- Unifier MLOps chez Microsoft
- Concepts de modèle de maturité MLOps
- Azure Machine Learning est idéal pour la préparation de l’entreprise
- L’art de tester des systèmes d’apprentissage automatique
- Test de robustesse des systèmes d’apprentissage automatique
- Test de l’extensibilité des systèmes d’apprentissage automatique
- Test de la sécurité des systèmes d’apprentissage automatique