Üzletileg kritikus gépi tanulási modellek létrehozása nagy méretekben
Az Azure Machine Learning támogatja az adattudósokat és a fejlesztőket abban, 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 AI tanulási platform felelősen alkalmazott mesterségesintelligencia-alkalmazásokhoz készült a gépi tanulás terén.
Gyorsítsa fel az értékteremtést
Gépi tanulási modelleket készíthet a hatékony AI-infrastruktúra segítségével és AI-munkafolyamatokat vezényelhet prompt folyamattal.
Együttműködés és az MLOps leegyszerűsítése
Gépi tanulási modellek gyors üzembe helyezése, kezelése és megosztása a munkaterületek közötti együttműködés és MLOps érdekében.
Magabiztos fejlesztés
Beépített irányítás, biztonság és megfelelőség, hogy bárhol futtathasson gépi tanulási számítási feladatokat.
Felelős tervezés
Felelősen alkalmazott mesterséges intelligencia, hogy az átláthatóság és az elszámoltathatóság érdekében adatvezérelt döntéseket használó, magyarázható modelleket hozzon létre.
Támogatás a teljes gépi tanulási folyamathoz
Adatcímkézés
A betanítási adatok címkézése és a címkézési projektek kezelése.
Adatok előkészítése
Használja elemzőmotorokkal adatfeltáráshoz és -előkészítéshez.
Adatkészletek
Adatok elérése, valamint adatkészletek létrehozása és megosztása.
Notebookok
Használjon együttműködésen alapuló Jupyter-notebookokat csatolt számítással.
Automatizált gépi tanulás
Pontos AI-modellek automatikus betanítása és finomhangolása.
Fogd és vidd tervező
Tervezés fogd és vidd fejlesztői felülettel.
Kísérletek
Futtasson kísérleteket, valamint hozzon létre és osszon meg egyéni irányítópultokat.
CLI és Python SDK
Gyorsítsa fel a modellbetanítási folyamatot az Azure Compute vertikális fel- és leskálázásával.
Visual Studio Code és GitHub
Használjon ismerős gépi tanulási eszközöket, és váltson egyszerűen helyiről felhőbeli betanításra.
Számítási példány
Fejlesszen felügyelt és biztonságos környezetben dinamikusan méretezhető processzorokkal, GPU-kkal és szuperszámítógépes fürtökkel.
Nyílt forráskódú kódtárak és keretrendszerek
Használja a beépített Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib és egyéb támogatásokat.
Felügyelt végpontok
Gyorsan és egyszerűen helyezhet üzembe AI-tanulási modelleket kötegelt és valós idejű dedukcióhoz.
Folyamatok és CI/CD
Automatizálja a gépi tanulási folyamatokat.
Előre összeállított képek
Tárolólemezképek elérése keretrendszerekkel és kódtárakkal dedukcióhoz.
Modelladattár
Gépi tanulási modellek és adatok megosztása és nyomon követése.
Hibrid és többfelhős környezet
Modellek betanítása és üzembe helyezése helyszíni és többfelhős környezetekben.
Optimalizált modellek
Gyorsítsa fel a betanítást és a következtetést, és csökkentse a költségeket az ONNX-futtatókörnyezettel.
Beállításjegyzékek
Modelleket és folyamatokat oszthat meg és fedezhet fel a szervezet csapatai között.
Figyelés és elemzés
Adatok, modellek és erőforrások nyomon követése, naplózása és elemzése.
Sodródás
Észlelje a sodródást, és őrizze meg a modell pontosságát.
Hibaelemzés
AI-modellek hibakeresése és a modell pontosságának optimalizálása.
Naplózás
Gépi tanulási összetevők nyomon követése a megfelelőség érdekében.
Házirendek
Megfelelőségkezelés beépített és egyéni házirendek használatával.
Biztonság
Az Azure Security Center folyamatos figyelést alkalmaz.
Költségszabályozás
Alkalmazzon kvótakezelést és automatikus leállítást.
Azure Machine Learning a generatív AI-hoz
AI-munkafolyamatok vezénylése
Egyszerűbbé teheti a nagy nyelvimodell-alapú alkalmazások tervezését, kiértékelését és üzembe helyezését prompt folyamattal. Egyszerűen nyomon követheti, reprodukálhatja, megjelenítheti és javíthatja a kéréseket és folyamatokat számos különböző eszközben és erőforrásban. További információ a Generatív AI a gépi tanulásbangeneratív AI-ról a gépi tanulásban.
Felügyelt, teljes körű platform
Leegyszerűsítheti a teljes nagy nyelvi modell életciklusát és modellkezelést natív MLOps képességekkel. Nagyvállalati szintű biztonsággal bárhol biztonságosan futtathatja a gépi tanulást. A felelősségteljes AI-irányítópulton mérsékelheti a modellek torzításait és kiértékelheti a modelleket.
Rugalmas eszközök és keretrendszerek
Mélytanulási modelleket készíthet olyan eszközökben, mint a Visual Studio Code és a Jupyter Notebooks, olyan rugalmas keretrendszerek használatával, mint a PyTorch vagy a TensorFlow. Az Azure Machine Learning kompatibilis az ONNX Runtime és DeepSpeedDeepSpeed szolgáltatásokkal a betanítás és dedukció optimalizálása érdekében.
Világszínvonalú teljesítmény
A célirányosan kialakított AI-infrastruktúrát úgy tervezték, hogy a legújabb NVIDIA GPU-kat és InfiniBand hálózati megoldásokat kombinálja akár 400 Gb/s sebességig. Egyetlen fürtben akár több ezer GPU-ra is felskálázhat vertikálisan, példátlan méretezéssel.
Gyorsabb értékteremtés gyors modellfejlesztéssel
Az egységes stúdiófelülettel növelheti a hatékonyságot. A Jupyter Notebook segítségével modelleket hozhat létre, taníthat be és helyezhet üzembe a nyílt forráskódú keretrendszerek és kódtárak beépített támogatásával. Az automatizált gépi tanulással gyorsan hozhat létre modelleket táblázatos, szöveges és képi adatokhoz. A Visual Studio Code használatával zökkenőmentesen válthat a helyiről a felhőalapú betanításra, és automatikusan méretezhet az NVIDIA Quantum-2 InfiniBand platformra épülő Azure AI infrastruktúrával. A nagy nyelvimodell-alapú alkalmazások tervezése, összehasonlítása, kiértékelése és üzembe helyezése prompt folyamattal.
Együttműködés és a modellkezelés egyszerűsítése az MLOps használatával
Az MLOps használatával leegyszerűsítheti több ezer modell üzembe helyezését és kezelését több környezetben. Gyorsabban helyezhet üzembe és pontozhat ML-modelleket a kötegelt és valós idejű előrejelzésekhez használt teljes körűen felügyelt végpontokkal. Ismételhető folyamatokkal automatizálhatja a folyamatos integrációt és terjesztést (CI/CD). Több csapat között oszthat meg és fedezhet fel gépi tanulási összetevőket a munkaterületek közötti együttműködéshez beállításjegyzékek és kezelt funkciótár használatával. Folyamatosan figyelheti a modell teljesítménymetrikáit, észlelheti a sodródást, és újratanítást indíthat a modell teljesítményének javítása érdekében.
Nagyvállalati szintű megoldások létrehozása hibrid platformon
Helyezze a biztonságot előtérbe a gépi tanulási életcikluson belül a Microsoft Purview beépített adatszabályozásával. Kihasználhatja az identitásra, az adatokra, a hálózatkezelésre, a figyelésre és a megfelelőségre vonatkozó átfogó biztonsági képességeket, amelyeket a Microsoft tesztelt és ellenőrzött. Biztonságos megoldások egyéni szerepköralapú hozzáférés-vezérléssel, virtuális hálózatokkal, adattitkosítással, privát végpontokkal és privát IP-címekkel. Modelleket taníthat be és helyezhet üzembe bárhol, a helyszínen és a többfelhős környezetekben is, hogy megfeleljen az adatfüggetlenségi követelményeknek. Irányítson magabiztosan a beépített házirendekkel és megfelelőséggel a 60 tanúsítvány, közöttük a FedRAMP High és a HIPAA segítségével.
Felelős AI-eljárások használata az életciklus során
Reprodukálható és automatizált munkafolyamatokkal értékelheti a gépi tanulási modell semlegességét, magyarázhatóságát, a hibaelemzést, az ok-okozati elemzést, a modell teljesítményét, és a feltáró adatelemzést. Valós beavatkozásokat végezhet okozati elemzéssel a felelős AI-irányítópulton, és létrehozhat egy scorecardot az üzembe helyezéskor. Környezetbe helyezheti a felelősen alkalmazott mesterséges intelligencia metrikákat a technikai és nem technikai célközönségek számára az érintettek bevonása és a megfelelőségi vizsgálat egyszerűsítése érdelében.
Fejlessze gépi tanulási készségeit az Azure-ral
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
-
Adatok előkészítése
Gyorsan iterálhat az adatok előkészítésén nagy léptékben, Apache Spark fürtökön Azure Machine Learning használatával, amely együttműködik a Databricks funkcióival.
-
Funkciótároló
A modellek szállításának rugalmasságát növelheti azáltal, hogy a funkciókat több munkaterületen is felfedezhetővé és újrahasználhatóvá teszi a felügyelt funkciótárral.
-
Együttműködésre használható jegyzetfüzetek
Ha a jegyzetfüzetét a Jupyter Notebook vagy 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 feladatokhoz és számítógépes látástechnológiai feladatokhoz automatizált gépi tanulással.
-
Fogd és vidd típusú 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.
-
Felelősen alkalmazott mesterséges intelligencia
Értelmezhetőségi képességekkel rendelkezőfelelős AI-megoldásokat hozhat létre. Az eltérési metrikákkal igazságossá teheti a modellt, és mérsékelheti a részrehajlást.
-
Beállításjegyzékek
A szervezeti szintű adattárak használatával több munkaterületen tárolhat és oszthat meg modelleket, folyamatokat, összetevőket és adatkészleteket. Az auditnapló funkcióval rögzíthet életút- és szabályozási adatokat.
-
Felügyelt végpontok
Felügyelt végpontok használatával végezheti el a modellek üzembe helyezését és pontozását, a metrikák naplózását, és biztonságosan vezetheti be a modelleket.
Beépített átfogó biztonság és megfelelőség
-
A Microsoft több mint 1 milliárd USD-t költ évente a kiberbiztonsággal kapcsolatos kutatás-fejlesztési projektekre.
-
Több mint 3500 biztonsági szakértőnk dolgozik azon, hogy megfelelő szintű adatbiztonságot és adatvédelmet nyújthassunk Önnek.
-
Csak a tényleges használatért kell fizetnie, előzetes költség nélkül
Kezdjen egy ingyenes Azure-fiókkal
1
2
A kredit felhasználása után váltson használatalapú fizetésre, hogy továbbra is használhassa ezeket az ingyenes szolgáltatásokat. Csak akkor kell fizetnie, ha az ingyenes havi mennyiségnél többet használ.
3
A 12 hónap után továbbra is használhatja a több mint 55 mindig ingyenes szolgáltatást, és továbbra is csak azért kell fizetnie, amit a havi ingyenes mennyiségeken felül használ.
Azure Machine Learning erőforrások
Haladó oktatóanyagok
- Gépi tanulási modellek betanítása
- Modell hiperparaméter-finomhangolása
- Gépi tanulási folyamatok a Python SDK-val
- Kód nélküli besorolási modellek betanítása
- Kód nélküli regressziós modellek betanítása tervezővel
- Feladatok monitorozása és elemzése a studióban
- Modellkezelés, üzembe helyezés és monitorozás
- Gépi tanulási megoldások létrehozása és üzemeltetése
- Teljes körű gépi tanulási műveletek
- Nagy számítási igényű modellek betanítása
Kiemelt videók
IDC MarketScape: MLOps 2022 szállítói értékelés
Megtudhatja, hogyan használják a különböző iparágak nagyvállalatai az MLOps-t a mesterséges intelligenciával és a gépi tanulási technológiák megvalósításával kapcsolatos kihívások leküzdésére.
Műszaki MLOps-tanulmány
Megismerheti azt a szisztematikus megközelítést, amellyel gépi tanulási megoldásokat készíthet, helyezhet üzembe és monitorozhat az MLOps használatával. Gyorsan hozhat létre, tesztelhet és kezelhet éles használatra kész gépi tanulási életciklusokat nagy méretekben.
A Forrester Total Economic Impact tanulmánya
A Forrester Consulting által a Microsoft megbízásából készített Total Economic ImpactTM tanulmány a befektetések megtérülését vizsgálja, amelyet a vállalatok az Azure Machine Learning segítségével érhetnek el.
Gépi tanulási megoldások tanulmány
Megtudhatja, hogyan hozhat létre biztonságosabb, skálázhatóbb és méltányosabb gépi tanulási megoldásokat.
Felelősen alkalmazott mesterséges intelligencia tanulmány
Megtudhatja, hogyan hozhat létre biztonságosabb, skálázhatóbb és méltányosabb gépi tanulási megoldásokat.
MLOps-tanulmány
Felgyorsíthatja a modellek nagy méretekben való felépítésének, betanításának és üzembe helyezésének folyamatát.
Azure Arc-kompatibilis gépi tanulás tanulmány
Megtudhatja, hogyan hozhat létre, taníthat be és helyezhet üzembe modelleket bármilyen infrastruktúrában.
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.