Azure Machine Learning
Nagyvállalati szintű gépi tanulási szolgáltatás a modellek gyorsabb létrehozásához és üzembe helyezéséhez
Felgyorsíthatja a teljes gépi tanulási folyamatot
Empower data scientists and developers with a wide range of productive experiences to build, train, and deploy machine learning models and foster team collaboration. Accelerate time to market with industry-leading MLOps—machine learning operations, or DevOps for machine learning. Innovate on a secure, trusted platform, designed for responsible machine learning.
Gépi tanulás minden készségszinthez
Productivity for all skill levels, with Jupyter Notebooks, drag-and-drop designer, and automated machine learning
Teljes funkcionalitású MLOps
Robust MLOps capabilities that enable creation and deployments of models at scale using automated and reproducible machine learning workflows
Felelős gépi tanulás innovációhoz
Rich set of built-in responsible capabilities to understand, protect, and control data, models, and processes
Nyitott és együttműködő
Best-in-class support for open-source frameworks and languages including MLflow, Kubeflow, ONNX, PyTorch, TensorFlow, Python, and R
Boost productivity with machine learning for all skill levels
A gépi tanulási modelleket gyorsan hozhatja létre és helyezheti üzembe a bármely szakmai hozzáértés mellett használható eszközökkel. A Jupyter Notebookokat használhatja az IntelliSense-szel vagy a fogd és vidd tervezővel is. Az automatizált gépi tanulás segítségével felgyorsíthatja a modellek létrehozását, igénybe veheti a beépített funkciófeldolgozást, az algoritmusválasztást és a hiperparaméterek vizsgálatának képességeit. A csapatmunka hatékonyságát növelheti megosztott adatkészletekkel, jegyzetfüzetekkel, modellekkel és olyan testre szabható irányítópultokkal, amelyekkel a gépi tanulási folyamat összes aspektusát nyomon követheti.
Nagyszámú modell üzembe helyezése MLOps használatával
Take advantage of MLOps to streamline the machine learning lifecycle, from building models to deployment and management. Create reproducible workflows with machine learning pipelines, and train, validate, and deploy thousands of models at scale, from the cloud to the edge. Use managed online and batch endpoints to seamlessly deploy and score models without managing the underlying infrastructure. Use Azure DevOps or GitHub Actions to schedule, manage, and automate the machine learning pipelines, and use advanced data-drift analysis to improve model performance over time.
Felelős gépi tanulási megoldások létrehozása
Access state-of-the-art responsible machine learning capabilities to understand, control, and help protect your data, models, and processes. Explain model behavior during training and inferencing, and build for fairness by detecting and mitigating model bias. Preserve data privacy throughout the machine learning lifecycle with differential privacy techniques and use confidential computing to secure machine learning assets. Automatically maintain audit trails, track lineage, and use model datasheets to enable accountability.
Nyitott és rugalmas platform az innovatív megoldásokhoz
Get built-in support for open-source tools and frameworks for machine learning model training and inferencing. Use familiar frameworks like PyTorch, TensorFlow, or scikit-learn, or the open and interoperable ONNX format. Choose the development tools that best meet your needs, including popular IDEs, Visual Studio Code, Jupyter Notebooks, and CLIs, or languages such as Python and R. Use ONNX Runtime to optimize and accelerate inferencing across cloud and edge devices. Track all aspects of your training experiments using MLflow.
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. A tanulás befejeztével felkészülten teheti majd le az Azure-adatszakértői munkatárs minősítő vizsgát.
Fokozott biztonság, cégirányítás és hibrid infrastruktúra
- Az Azure Arc együttműködési képességével modelleket taníthat be a hibrid infrastruktúrán a Kubernetes-fürtök használatával a helyszíni és a többfelhős környezetekben és a peremen is.
- Olyan biztonsági funkciókat érhet el, mint a szerepköralapú hozzáférés, az egyéni gépi tanulási szerepkörök, a virtuális hálózatok és a privát kapcsolatok. A vezérlést szabályzatokkal, auditnaplókkal, valamint kvóta- és költségkezeléssel kezelheti.
- A 60 tanúsítványra (így többek között a FedRAMP Highra és a DISA IL5-re) kiterjedő portfólióval leegyszerűsítheti a megfelelőséget.
A szolgáltatás legfontosabb funkciói
Együttműködésre használható jegyzetfüzetek
Maximize productivity with IntelliSense, easy compute and kernel switching, and offline notebook editing. Launch your notebook in Visual Studio Code for a rich development experience, including secure debugging and support for Git source control.
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
Használhatja az olyan gépi tanulási eszközöket, mint a tervező adatátalakítási, modell-betanítási és -kiértékelési modulokkal, és néhány kattintással létrehozhat és közzétehet gépi tanulási folyamatokat.
Adatcímkézés
Gyorsan előkészítheti az adatokat, kezelheti és figyelheti a címkézési projekteket, és automatizálhatja az ismétlődő feladatokat a gépi tanulással támogatott címkézéssel.
MLOps
Use the central registry to store and track data, models, and metadata. Automatically capture lineage and governance data. Use Git to track work and GitHub Actions to implement workflows. Manage and monitor runs, or compare multiple runs for training and experimentation. Use managed endpoints to operationalize model deployment and scoring, log metrics, and perform safe model rollouts.
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 Microsoft Power BI és az olyan Azure-szolgáltatások beépített integrációjával, mint az Azure Synapse Analytics, az Azure Cognitive Search az Azure Data Factory, az Azure Data Lake, az Azure Arc és az Azure Databricks.
Hibrid és többfelhős környezetek támogatása
Run machine learning on existing Kubernetes clusters on-premises, in multicloud environments, and at the edge with Azure Arc. Use the one-click machine learning agent to start training models more securely, wherever your data lives.
Megerősítő tanulás
Nagy teljesítményű számítási fürtökre skálázhatja a megerősítő tanulást, támogathat többügynökös használati helyzeteket, és hozzáférhet nyílt forráskódú megerősítő tanulási algoritmusokhoz, -keretrendszerekhez és -környezetekhez.
Felelős gépi tanulás
Get model transparency at training and inferencing with interpretability capabilities. Assess model fairness through disparity metrics and mitigate unfairness. Help protect data with differential privacy and confidential machine learning pipelines.
Nagyvállalati szintű biztonság
Biztonságosabban készíthet és helyezhet üzembe modelleket az olyan képességekkel, mint a hálózati elkülönítés és a Private Link, az erőforrásokhoz és műveletekhez használt szerepköralapú hozzáférés-vezérlés, az egyéni szerepkörök és a számítási erőforrások felügyelt identitásai.
Költségkezelés
Jobban kezelheti az Azure Machine Learning Compute-példányok erőforrás-elosztását a munkaterületek és erőforrásszintek kvótakorlátaival.
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.
Az adattudomány alapelvei
Az adatokkal foglalkozók körében sokan rendelkeznek készségekkel a matematika, a programozás vagy a tartományi szaktudás terén, a valódi adattudományhoz azonban mindhárom szükséges. Ez az átfogó e-könyv segít bepótolni azt, ami még hiányzik.
A Forrester Wave vezetője 2020-ban
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 Azure Machine Learning használata
Ugrás a stúdió-webszolgáltatáshoz
Létrehozás és betanítás
Üzembe helyezés és kezelés
Új modelleket készíthet, valamint számítási helyeket, modelleket, üzemelő példányokat, metrikákat és futtatási előzményeket tárolhat a felhőben.
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.
Gépi tanulási modelljeit üzembe helyezheti a felhőben vagy a permhálózaton, figyelheti a teljesítményüket, és szükség szerint újra betaníthatja őket.
Erőforrások
Kezdő szintű oktatóanyagok
Speciális oktatóanyagok
Kiemelt videók
- Ismerkedés az Azure Machine Learning szolgáltatással
- A tervező használata fogd és vidd módszerrel kezelhető gépi tanuláshoz
- Automatizált gépi tanulás a modellek gyors létrehozásához
- Use Jupyter Notebooks effectively
- Az MLOps-életciklus kezelése
- Felelősségteljes modellkészítés
- A hatékonyság növelése adatcímkézéssel
További források
Kezdje meg az Azure Machine Learning használatát még ma
Azonnali hozzáférést és $200 kreditet kap, ha ingyenes Azure-fiókot regisztrál.
Bejelentkezés az Azure Portalra.
Tekintse meg a dokumentációt és az oktatóanyagokat, és böngésszen a gyorsútmutatók és a fejlesztői források között.
Az Azure Machine Learninget használó ügyfelek
Jolie Vitale, üzleti intelligenciáért és elemzésekért felelős igazgató, Carhartt"The model we deployed on Azure Machine Learning helped us choose three new retail locations. Those stores exceeded their revenue plans by over 200 percent [that] December, the height of our season, and within months of opening were among the best-performing stores in their districts."
Ignasi Paredes-Oliva, vezető adattudós, 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."
Joey Chua, vezető gépi tanulási mérnök, AGL"Azure Machine Learning allows us to manage the entire lifecycle, from experimentation and development to production and enhancements."
Daniel Engberg, adatelemzési és mesterségesintelligencia-osztályvezető, Scandinavian Airlines"With model interpretability in Azure Machine Learning, we have a high degree of confidence that our machine learning model is generating meaningful and fair results."
Michael Cleavinger, Senior Director of Shopper Insights Data Science and Advanced Analytics, 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."
Alex Mohelsky, partner- és tanácsadói adatok, elemző és AI-vezető, EY Canada"We see Azure Machine Learning and our partnership with Microsoft as critical to driving increased adoption and acceptance of AI from the regulators."
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.