Navigáció kihagyása

Azure Machine Learning

A végpontközti gépi tanulási életciklus nagyvállalati szintű szolgáltatása

Azure Machine Learning

A végpontközti gépi tanulási életciklus nagyvállalati szintű szolgáltatása

Üzletileg kritikus gépi tanulási modellek létrehozása nagy méretekben

Támogathatja az adattudósokat és a fejlesztőket abban, hogy gyorsabban és magabiztosan építsenek fel, helyezzenek üzembe és kezeljenek kiváló minőségű modelleket. Az iparágvezető MLOps (gépi tanulási műveletek), a nyílt forráskódú együttműködési képességek és az integrált eszközök segítségével gyorsabban teremthet értéket. Az innovatív megoldásokat a gépi tanulás (ML) felelős használatához kialakított biztonságos és megbízható platformon valósíthatja meg.

Modellek gyors felépítése és betanítása

A stúdió fejlesztői felületén elérheti az integrált eszközöket és a nyílt forráskódú keretrendszerek és kódtárak kategóriavezető támogatását.

Nagyszámú modell üzembe helyezése

Egyetlen kattintással üzembe helyezhet modelleket, és hatékonyan kezelheti és szabályozhatja őket az MLOps használatával.

Felelős megoldások üzembe helyezése

Átláthatja az adatokat és a modelleket, biztosíthatja azok védelmét, valamint méltányosan építheti fel a modelleket és növelheti azok minőségét.

Innováció egy biztonságosabb hibrid platformon

A beépített szabályozással, biztonsággal és megfelelőséggel bárhol futtathat gépi tanulási számítási feladatokat.

Akár háromszoros megtérülési ráta gépi tanulási projektek esetében

70 százalékkal kevesebb lépés a modellek betanításához

90 százalékkal kevesebb kódsor a folyamatokhoz

60 megfelelőségi minősítés

Az egyetlen platform, amelyen elérhető a PyTorch Enterprise

A teljes körű gépi tanulás (ML) életciklusának támogatása

Adatok címkézése

Betanítási adatokat címkézhet és kezelheti a projektek címkézését.

Adatok előkészítése

Integráljon az elemzési motorokkal az adatfeltáráshoz és az előkészítéshez.

Adathalmazok

Adatokhoz való hozzáférés, adathalmazok létrehozása és megosztása.

Notebookok

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.

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

Egykattintásos üzembe helyezés használata a kötegelt és valós idejű dedukcióhoz.

Folyamatok és CI/CD

A gépi tanulási munkafolyamatok automatizálása.

Előre elkészített rendszerképek

Tárolólemezképek elérése keretrendszerekkel és kódtárakkal következtetés céljából.

Modelltárház

Megoszthatja és nyomon követheti a modelleket és az adatokat.

Hibrid és többfelhős

Modellek betanítása és üzembe helyezése a helyszínen és többfelhős rendszerben.

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.

Auditálás

ML-összetevők nyomon követése a megfelelőséghez.

Szabályzatok

Beépített és egyéni szabályzatokat használhat a megfelelőségkezeléshez.

Biztonság

Az Azure Security Centerrel folyamatosan monitorozhat.

Költségek szabályozása

Kvótakezelést és automatikus leállítást alkalmazhat.

Gyorsabb értékteremtés gyors és pontos modellfejlesztéssel

Növelheti a hatékonyságot a stúdióval, a fejlesztői felülettel, amely minden gépi tanulási feladatot támogat, amely a modellek felépítéséhez, betanításához és üzembe helyezéséhez szükséges. Jupyter Notebook-jegyzetfüzeteket használhat az együttműködéshez a népszerű nyílt forráskódú keretrendszerek és kódtárak beépített támogatásával. Az automatizált gépi tanulással gyorsan hozhat létre pontos modelleket a jellemzőkre bontási és a hiperparaméter-keresési képességek használatával. Hozzáférhet a hibakeresőhöz, a profilkészítőhöz és magyarázatokhoz, melyekkel betanítás közben javíthatja a modell teljesítményét. A Visual Studio Code-dal való mély integrációval zökkenőmentesen válthat a helyiről a felhőbeli betanításra, és nagy teljesítményű felhőalapú CPU- és GPU-fürtökkel végezhet automatikus skálázást.

A gépi tanulási műveletekkel (MLOps) nagy méretekben végezhet üzembe helyezést

Az MLOps használatával leegyszerűsítheti több ezer modell üzembe helyezését és kezelését a helyi környezetben, a peremhálózaton és többfelhős környezetekben. 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). Folyamatosan monitorozhatja a modell teljesítménymetrikáit, észlelheti a sodródást, és újratanítást indíthat a modell teljesítményének javítása érdekében. Emellett minden gépi tanulási összetevő esetében beépített nyomon követéssel és életúttal teheti lehetővé a nyomon követhetőséget és a szabályozást az életciklus során.

Felelős gépi tanulási megoldások üzembe helyezése

Iparágvezető felelős AI-képességeket érhet el, melyekkel növelheti a modellek átláthatóságát és javíthatja a megbízhatóságot. Beépített vizualizációkkal értelmezheti a modelleket, és lehetőségelemzéssel határozhatja meg az előrejelzések jellemzőre gyakorolt hatását. A megfelelőség biztosítása érdekében megoszthatja a modelleket magyarázó gráfokat a csapatával. A legmodernebb algoritmusokkal tesztelheti a modelleket méltányossággal kapcsolatos problémák esetén, hasonlíthatja össze a különböző modelleket, és tehet lépéseket a problémák enyhítésére. Azonosíthatja a modell hibáit és elvégezheti azok hibaelhárítását a hibaelemző eszközkészlettel a modell pontosságának növelése érdekében.

Innováció egy biztonságosabb és megfelelőbb hibrid platformon

A teljes gépi tanulási életciklus biztonságát növelheti olyan képességekkel, melyek kiterjednek az identitás, a hitelesítés, az adatok, a hálózat, a monitorozás, a szabályozás és a megfelelőség területére. Biztonságosabb gépi tanulási megoldásokat hozhat létre egyéni szerepköralapú hozzáférés-vezérléssel, virtuális hálózatokkal, adattitkosítással, privát végpontokkal és végpontok között privát IP-címekkel. A helyi környezetben is betaníthat és üzembe helyezhet modelleket az adatelkülönítési követelmények teljesítése érdekében. Beépített házirendekkel kezelheti a szabályozást, 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

Interaktív módon készítheti elő az adatokat a PySparkkal a beépített Azure Synapse Analytics-integráció használatával.

Együttműködésre használható 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 és idősoros előrejelzéshez. A modellek értelmezhetőségét kihasználva megértheti a modell felépítését.

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.

Megerősítő tanulás

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

Felelős gépi tanulás

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.

Modellek regisztrációs adatbázisa és auditnaplója

A központi regisztrációs adatbázisban tárolhatja és nyomon követheti az adatokat, modelleket és metaadatokat. Az auditnaplóval automatikusan rögzíthet életút- és szabályozási 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.

Számítások 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.

Mély integráció más Azure-szolgáltatásokkal

Gyorsabban érhet el eredményeket a Power BI és az olyan szolgáltatások beépített integrációjával, 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, egykattintásos 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

Lehetővé teheti az IT-részleg számára, hogy jobban kezelje a számítási példányok erőforrás-elosztását a munkaterületek és az erőforrásszintek kvótakorlátaival és automatikus leállítással.

Csak a tényleges használatért kell fizetnie előzetes költség nélkül

Professzionális gépi tanulás az Azure-ban

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

Műszaki MLOps

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

A Forrester a Microsoftot és az Azure Machine Learninget vezető pozícióban mutatja be a The Forrester Wave™ jelentésben: Jegyzetfüzet-alapú prediktív elemzés és gépi tanulás, 2020 3. negyedév.

Az előre jelzett megtérülési ráták akár 3-szor magasabbak – Forrester Total Economic ImpactTM (TEI)

A Forrester Total Economic Impact™ (TEI), a Forrester Consulting által megrendelésre készített tanulmány egy keretrendszert biztosít a Azure Machine Learning a szervezetekre gyakorolt potenciális pénzügyi hatásainak kiértékeléséhez.

Tanulmány a nagyvállalati méretű gépi tanulási megoldásokról

Tanulmány a nagyvállalati méretű gépi tanulási megoldásokról

Tanulmány a felelős AI-ról

Az eszközök és módszerek, melyekkel átláthatja a modelleket, biztosíthatja a védelmüket és szabályozhatja őket.

Tanulmány a gépi tanulási műveletekről (MLOps)

Felgyorsíthatja a modellek nagy méretekben való felépítésének, betanításának és üzembe helyezésének folyamatát.

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.

Kezdje meg az Azure Machine Learning használatát még ma

Azonnali hozzáférést és $200 kreditet kap, ha ingyenes Azure-fiókot regisztrál.

Bejelentkezés az Azure Portalra.

Az Azure Machine Learninget használó ügyfelek

"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

"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, termékmenedzser és csoportvezető, Robotron Datenbank-Software GmbH
BMW Csoport

"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, vezető adattudós, Nestlé Global Security Operations Center
Nestlé 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, vásárlói adatelemzési, adatelemzési és speciális elemzési igazgató, PepsiCo
PepsiCo

A vasúti utasok életének megkönnyítése

A Db Systel – a német vasúttársaság, a Deutsche Bahn digitális partnere – kifejlesztette a Digital Guide Dog nevű megoldást az utasok segítésére. A Microsoft Azure Machine Learning használatával mindössze néhány óra alatt betanítható egy új modell neurális hálózatokkal.

DB Systel GmbH

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 szolgáltatásiszint-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 a használatalapú fizetéses díjszabással