Navigáció kihagyása

Azure Machine Learning

A végpontközti gépi tanulási életciklus nagyvállalati szintű szolgáltatásának használata

Azure Machine Learning

A végpontközti gépi tanulási életciklus nagyvállalati szintű szolgáltatásának használata

Üzletileg kritikus gépi tanulási modellek nagy méretekben

Az Azure Machine Learning lehetővé teszi az adattudósok és a fejlesztők számára, hogy gyorsabban és magabiztosan építsenek fel, helyezzenek üzembe és kezeljenek kiváló minőségű modelleket. Az iparágvezető gépi tanulási műveletek (MLOps), a nyílt forráskódú együttműködési képességek és az integrált eszközök segítségével gyorsabban teremthet értéket. Ez a megbízható platform a gépi tanulásban felelősen alkalmazott mesterséges intelligenciát használó alkalmazásokra lett tervezve.

Modellek gyors fejlesztése és betanítása, integrált eszközökkel, valamint a nyílt forráskódú keretrendszerek és tárak támogatásával

Felelősen alkalmazott AI-modellek fejlesztése beépített semlegességgel és magyarázhatósággal, valamint felelős használat a megfelelőség érdekében

Gépi tanulási modellek gyors üzembe helyezése, kezelése és megosztása a munkaterületek közötti együttműködéshez és az MLOps használatához

Beépített cégirányítási, biztonsági és megfelelőségi funkciók, amelyekkel bárhol futtathatók gépi tanulási számítási feladatok

A teljes körű gépi tanulás életciklusának támogatása

Adatcímkézés

Betanítási adatokat címkézhet és kezelheti a projektek címkézését.

Adatok előkészítése

Az elemzési motorokkal használhatja az adatfeltáráshoz és az előkészítéshez.

Adathalmazok

Adatokhoz való hozzáférés, adathalmazok létrehozása és megosztása.

Jegyzetfüzetek

Együttműködési Jupyter notebookokat használhat csatolt számítással.

Automatizált gépi tanulás

Automatikusan taníthat be és hangolhat pontos modelleket.

Húzással működő tervező

Húzással működő fejlesztőfelületen tervezhet.

Kísérletek

Kísérleteket futtathat, és egyéni irányítópultokat hozhat létre és oszthat meg.

CLI és Python SDK

Felgyorsíthatja a modellbetanítási folyamatot az Azure Compute vertikális és horizontális skálázása során.

Visual Studio Code és GitHub

Ismerős eszközöket használhat, és egyszerűen válthat helyi betanításról felhőalapú betanításra.

Számítási példány

Felügyelt és biztonságos környezetben fejleszthet felhőalapú processzorokkal, GPU-kkal és szuperszámítási fürtökkel.

Nyílt forráskódú kódtárak és keretrendszerek

Beépített támogatást kaphat a következőkhöz: Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib és egyebekhez.

Felügyelt végpontok

Gyorsan és egyszerűen helyezhet üzembe modelleket a kötegelt és valós idejű dedukcióhoz.

Folyamatok és CI/CD

A gépi tanulási munkafolyamatok automatizálása.

Előre összeállított lemezképek

Tárolólemezképek elérése keretrendszerekkel és kódtárakkal következtetés céljából.

Modelltár

Megoszthatja és nyomon követheti a modelleket és az adatokat.

Hibrid és többfelhős

Modellek betanítása és üzembe helyezése a helyszínen és a többfelhős környezetekben.

Modellek optimalizálása

Az ONNX-futtatókörnyezettel felgyorsíthatja a betanítást és a következtetést, és csökkentheti a költségeket.

Monitorozás és elemzés

Nyomon követheti, naplózhatja és elemezheti az adatokat, a modelleket és az erőforrásokat.

Sodródás

Észlelheti a sodródást és megőrizheti a modell pontosságát.

Hibaelemzés

Hibakeresést végezhet a modelleken és optimalizálhatja a modellek pontosságát.

Naplózás

Gépi tanulási összetevők nyomon követése a megfelelőség érdekében.

Szabályzatok

Beépített és egyéni szabályzatokat használhat a megfelelőségkezeléshez.

Biztonság

Az Azure Security Centerrel folyamatosan monitorozhat.

Költségszabályozás

Kvótakezelést és automatikus leállítást alkalmazhat.

Gyorsabb értékteremtés gyors modellfejlesztéssel

Növelheti a hatékonyságot a stúdióképességgel és azzal a fejlesztői felülettel, amely minden olyan gépi tanulási feladatot támogat, amely a modellek felépítéséhez, betanításához és üzembe helyezéséhez szükséges. Jupyter Notebooks-jegyzetfüzeteket használhat az együttműködéshez a népszerű nyílt forráskódú keretrendszerek és kódtárak beépített támogatásával. Az automatizált gépi tanulással gyorsan hozhat létre pontos modelleket táblázatos, szöveges és képi modellekhez a jellemzőkre bontási és a hiperparaméter-keresési képességek használatával. A Visual Studio Code használatával zökkenőmentesen válthat a helyiről a felhőbeli betanításra, és nagy teljesítményű felhőalapú CPU- és GPU-fürtökkel végezhet automatikus skálázást.

Üzemeltetés nagy méretekben az MLOps használatával

Az MLOps használatával leegyszerűsítheti több ezer modell üzembe helyezését és kezelését többféle környezetben. Gyorsabban helyezhet üzembe és pontozhat modelleket a kötegelt és valós idejű előrejelzésekhez használt, teljes körűen felügyelt végpontokkal. Ismételhető folyamatokkal automatizálhatja a folyamatos integrációt és terjesztést (CI/CD). A tárolóregisztrációs adatbázisokkal gépi tanulási összetevőket fedezhet fel ész oszthat meg több csapattal is a munkaterületek közötti együttműködés érdekében. Folyamatosan monitorozhatja a modell teljesítménymetrikáit, észlelheti a sodródást, és újratanítást indíthat a modell teljesítményének javítása érdekében.

Felelős gépi tanulási megoldások üzembe helyezése

Megismételhető és automatizált munkafolyamatokkal értékelheti ki a gépi tanulási modelleket a modellek méltányosságának, magyarázhatóságának, hibaelemzésének, okozati elemzésének, modellteljesítményének és a feltáró jellegű adatelemzéseknek a felméréséhez. Az okozati elemzéssel valós beavatkozásokat végezhet a felelősen alkalmazott mesterséges intelligencia irányítópultján, és egy scorecardot is létrehozhat az üzembe helyezéskor. A felelősen alkalmazott mesterséges intelligencia metrikáit kontextusba helyezheti a technikai és nem technikai közönség számára, hogy bevonhassa az érintetteket, és leegyszerűsítse a megfelelőségi felülvizsgálatot.

Innováció egy biztonságosabb és megfelelőbb hibrid platformon

A teljes gépi tanulási életciklus biztonságát növelheti olyan képességekkel, melyek kiterjednek az identitás, az adatok, a hálózatkezelés, a monitorozás és a megfelelőség területére. Biztonságosabb gépi tanulási megoldásokat hozhat létre egyéni szerepköralapú hozzáférés-vezérléssel, virtuális hálózatokkal, adattitkosítással, privát végpontokkal és privát IP-címekkel. A helyi környezetben is betaníthat és üzembe helyezhet modelleket az adatelkülönítési követelmények teljesítése érdekében. Beépített házirendekkel kezelheti a cégirányítást, a 60 tanúsítványra (így többek között a FedRAMP Highra és a HIPAA-ra) kiterjedő portfólióval pedig leegyszerűsítheti a megfelelőséget.

Fejlessze gépi tanulási készségeit az Azure-ral

Ezen a 30 napos tanulási programon többet is megtudhat az Azure-beli gépi tanulásról, és gyakorlati oktatóanyagokat végezhet el. Ha elvégzi, készen áll majd az Azure Data Scientist Associate minősítő vizsgára.

A teljes gépi tanulási életciklus fő szolgáltatásfunkciói

Adatcímkézés

Címkézési projekteket hozhat létre, kezelhet és monitorozhat, és automatizálhatja az ismétlődő feladatokat a gépi tanulással támogatott címkézéssel.

Adatok előkészítése

Gyorsan iterálhatja az adatok előkészítését nagy méretekben az Azure Machine Learningen belüli Apache Spark-fürtökön, amelyek együtt használhatók az Azure Synapse Analytics szolgáltatással.

Együttműködésen alapuló jegyzetfüzetek

Maximális hatékonyságot érhet el az IntelliSense, a számítási erőforrások és kernelek közötti egyszerű váltás és az offline jegyzetfüzet-szerkesztés segítségével. Ha a jegyzetfüzetét a Visual Studio Code-ban nyitja meg, funkciókban gazdag fejlesztési élményben lesz része biztonságos hibakereséssel és a Git-verziókövetés támogatásával.

Automatizált gépi tanulás

Gyorsan hozhat létre pontos modelleket besoroláshoz, regresszióhoz, idősoros előrejelzéshez, természetes nyelvi feldolgozási és Computer Vision feladatokhoz. A modellek értelmezhetőségét kihasználva megértheti a modell felépítését.

Húzással működő gépi tanulás

Olyan gépi tanulási eszközöket használhat, mint az adatátalakításhoz, modell-betanításhoz és -kiértékeléshez készült tervező, és néhány kattintással létrehozhat és közzétehet gépi tanulási folyamatokat.

Megerősítő tanulás

Nagy teljesítményű számítási fürtökre skálázhatja a megerősítő tanulást, támogathat többügynökös használati eseteket, és hozzáférhet nyílt forráskódú megerősítő tanulási algoritmusokhoz, keretrendszerekhez és környezetekhez.

Felelősen elvégzett buildelés

Az értelmezhetőségi képességekkel biztosíthatja a modell átlátszóságát a betanítás és a dedukció során. Az eltérési metrikákkal igazságossá teheti a modellt, és mérsékelheti a részrehajlást. Javíthatja a modell megbízhatóságát, valamint azonosíthatja és diagnosztizálhatja a modell hibáit a hibaelemző eszközkészlettel. Differenciált adatvédelemmel gondoskodhat az adatok védelméről.

Kísérletezés

Kezelheti és figyelheti a betanítási és kísérleti futtatásokat, vagy összehasonlíthat több futtatást. Egyéni irányítópultokat hozhat létre, és megoszthatja őket a csapatával.

Beállításjegyzékek

A szervezeti szintű adattárak használatával modelleket, folyamatokat, összetevőket és adathalmazokat tárolhat és oszthat meg a munkaterületek között. Az auditnapló funkció segítségével automatikusan rögzítheti az életút- és cégirányítási adatokat.

Git és GitHub

A Git-integrációval nyomon követheti a munkát, a GitHub Actions-támogatással pedig gépi tanulási munkafolyamatokat valósíthat meg.

Felügyelt végpontok

Felügyelt végpontok használatával végezheti el a modellek üzembe helyezését és pontozását, a metrikák naplózását, és biztonságosan vezetheti be a modelleket.

Számítás automatikus skálázása

Felügyelt számításokkal eloszthatja a betanítást, és gyorsan tesztelheti, ellenőrizheti és üzembe helyezheti a modelleket. A CPU- és GPU-fürtök megoszthatók egy munkaterületen, és automatikusan skálázva lesznek a gépi tanulás igényeinek megfelelően.

Együttműködési képesség más Azure-szolgáltatásokkal

Gyorsabban érhet el eredményeket a Microsoft Power BI és az olyan szolgáltatásokkal, mint az Azure Synapse Analytics, az Azure Cognitive Search, az Azure Data Factory, az Azure Data Lake, az Azure Arc, az Azure Security Center és az Azure Databricks.

Hibrid és többfelhős környezetek támogatása

Az Azure Arc használatával gépi tanulást futtathat a meglévő Kubernetes-fürtökön a helyi vagy többfelhős környezetekben és a peremhálózaton. Az egyszerű üzembe helyezési gépi tanulási ügynök használatával biztonságosabb módon indíthatja el a modellek betanítását, bárhol is legyenek az adatai.

Nagyvállalati szintű biztonság

Biztonságosabban készíthet és helyezhet üzembe modelleket az olyan képességekkel, mint a hálózati elkülönítés és a végpontok közötti privát IP-képességek, az erőforrásokhoz és műveletekhez használt szerepköralapú hozzáférés-vezérlés, és az egyéni szerepkörök és a számítási erőforrások felügyelt identitásai.

Költségkezelés

Csökkentheti az informatikai költségeket és jobban kezelheti a számítási példányok erőforrás-elosztását a munkaterületek és az erőforrásszintek kvótakorlátaival és automatikus leállítással.

Az Azure Machine Learning elsajátítása – útmutató

Az Azure-beli TensorFlow, Apache Spark és Kubernetes használatával magas szintű technikákat tanulhat meg automatizált és nagy mértékben skálázható, teljes körű gépi tanulási modellek és folyamatok létrehozásához.

Műszaki MLOps tanulmány

Fedezze fel a gépi tanulási megoldások MLOps-beli létrehozásának, üzembe helyezésének és monitorozásának egyik szisztematikus megközelítését. Gyorsan hozhat létre, tesztelhet és kezelhet éles üzemre kész gépi tanulási életciklusokat nagy méretekben.

The Forrester WaveTM 2020-es jelentés

Tekintse meg miért mutatja be a Forrester a Microsoftot és az Azure Machine Learninget vezető pozícióban a The Forrester WaveTM jelentésben: Jegyzetfüzet-alapú prediktív elemzés és gépi tanulás, 2020 3. negyedév.

Forrester Total Economic ImpactTM (TEI) tanulmány

A Microsoft megrendelésére készült The Forrester Consulting Total Economic ImpactTM (TEI) tanulmány azt vizsgálja, hogy a vállalatok mekkora hozamot (ROI) érhetnek el az Azure Machine Learninggel.

Machine Learning megoldások – tanulmány

Ismerje meg, hogyan hozhat létre biztonságos, skálázható és megbízható megoldásokat.

Felelősen alkalmazott mesterséges intelligencia – tanulmány

Olyan eszközökről és módszerekről olvashat, melyekkel átláthatja a modelleket, biztosíthatja a védelmüket és szabályozhatja őket.

Gépi tanulási műveletek (MLOps) – tanulmány

Felgyorsíthatja a modellek létrehozásának, betanításának és üzembe helyezésének folyamatát.

Azure Arc-kompatibilis Machine Learning – tanulmány

Megtudhatja, hogyan hozhat létre, taníthat be és helyezhet üzembe modelleket bármilyen infrastruktúrában.

Beépített átfogó biztonság és megfelelőség

  • A Microsoft több mint USD 1 milliárdot költ évente a kiberbiztonsággal kapcsolatos kutatás-fejlesztési projektekre.

  • Több mint 3,500 biztonsági szakértőnk dolgozik azon, hogy megfelelő szintű adatbiztonságot és adatvédelmet nyújthassunk Önnek.

  • Az Azure minden más felhőszolgáltatónál több tanúsítvánnyal rendelkezik. Tekintse meg átfogó listánkat.

Az Azure Machine Learning használata

Ugrás a stúdió-webszolgáltatáshoz

Létrehozás és betanítás

Üzembe helyezés és kezelés

1/1. lépés

Új modelleket készíthet, valamint számítási helyeket, modelleket, üzemelő példányokat, metrikákat és futtatási előzményeket tárolhat a felhőben.

1/1. lépés

Az automatikus gépi tanulás használatával azonosíthatja az algoritmusokat és a hiperparamétereket, és nyomon követheti a kísérleteket. A modelleket a jegyzetfüzetek és a húzással működő tervező használatával is létrehozhatja.

1/1. lépés

A gépi tanulási modelleket üzembe helyezheti a felhőben vagy a permhálózaton, figyelheti a teljesítményüket, és szükség szerint újra betaníthatja őket.

Csak a tényleges használatért kell fizetnie előzetes költség nélkül

Tegye meg az első lépéseket egy ingyenes Azure-fiókkal

Kezdje az ingyenes próbaverzióval. 30 napon belül $200 kreditet használhat fel. Amíg van kreditje, számos népszerű szolgáltatásunk ingyenes mennyiségét, valamint több mint 40 egyéb, mindig ingyenes szolgáltatást is használhat.

Miután elfogytak a kreditek, váltson át használatalapú fizetésre, hogy folytathassa a fejlesztést ugyanezekkel az ingyenes szolgáltatásokkal. Csak akkor kell fizetnie, ha az ingyenes havi összegnél többet használ.

12 hónap elteltével továbbra is több mint 40 mindig ingyenes szolgáltatást kap, és továbbra is csak az ingyenes havi összegen túli használatért kell fizetnie.

Az Azure Machine Learninget használó ügyfelek

"We make it our mission to try new ideas and go beyond to differentiate AXA UK from other insurers. We see managed endpoints in Azure Machine Learning as a key enabler for our digital ambition."

Nic Bourven, informatikai igazgató, AXA UK
AXA UK

"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, termékmenedzser, AI és gépi tanulás, FedEx
FedEx

"As more of our groups rely on the Azure Machine Learning solution, our finance experts can focus more on higher-level tasks and spend less time on manual data collection and input."

Jeff Neilson, adatelemzési igazgató, 3M
3M

"With Azure Machine Learning, we can show the patient a risk score that is highly tailored to their individual circumstances. …Ultimately, we aim to reduce risk, reduce uncertainty, and improve surgical outcomes."

Prof. Mike Reed, klinikai igazgató, traumatológiai és ortopédiai osztály, Northumbria Healthcare NHS Foundation Trust
NHS

"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, vásárlói adatelemzési, adatelemzési és speciális elemzési igazgató, PepsiCo
PepsiCo

"Using automated machine learning features of Azure Machine Learning for machine learning model creation enabled us to realize an environment in which we can create and experiment with various models from multiple perspectives."

Keiichi Sawada, Vállalati átalakítási részleg, Seven Bank
Seven Bank

Azure Machine Learning – frissítések, blogok és közlemények

Azure Machine Learning – gyakori kérdések

  • A szolgáltatás általánosan elérhető számos országban és régióban, és a továbbiakban újabbakban is elérhető lesz.
  • Az Azure Machine Learning szolgáltatói szerződése (SLA) 99,9%-os üzemidőt garantál.
  • Az Azure Machine Learning stúdió a Machine Learning szolgáltatás legfelső szintű erőforrása. Ez a képesség olyan központi helyet biztosít az adattudósok és a fejlesztők számára, ahol a gépi tanulási modellek létrehozásának, betanításának és üzembe helyezésének összes összetevőjével dolgozhatnak.

Ha készen áll, állítsa be ingyenes Azure-fiókját

A Machine Learning ingyenes kipróbálása.

Első lépések használatalapú fizetéses díjszabással