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
Erőforrások
Kezdő szintű oktatóanyagok
- A gépi tanulás és a Python SDK használatának első lépései
- A Jupyter-jegyzetfüzetek használatának első lépései
- Az automatizált gépi tanulás első lépései
- A tervező használata fogd és vidd módszerrel kezelhető gépi tanuláshoz
- Modellek betanítása a CLI-vel
- Modell betanítása a Visual Studio Code-bővítménnyel
Speciális oktatóanyagok
Kiemelt videók
- Előre összeállított Docker-rendszerképek dedukcióhoz az Azure Machine Learningben
- Felügyelt végpontok
- PyTorch Enterprise a Microsoft Azure-ban
- Gépi tanulás futtatása bárhol
- Az Azure Machine Learning újdonságai
- Az AI elérhetővé tétele mindenki számára az Azure Machine Learning-tervezővel
- Megtudhatja, hogyan lehet ML Hero az AutoML használatával
- Jupyter Notebook-jegyzetfüzetek szerkesztése és futtatása az Azure Machine Learning stúdió elhagyása nélkül
- MLOps-funkciók részletesen: Az eszközök, összetevők és kódok kezelése
- Felelős gépi tanulás: Az első lépések és a modellek elemzése
- A hatékonyság növelése az Azure Machine Learningben 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
Bikram Virk, termékmenedzser, AI és gépi tanulás, 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."

Dr. Deepa Kasinathan, termékmenedzser és csoportvezető, Robotron Datenbank-Software GmbH"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."

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."

Michael Cleavinger, vásárlói adatelemzési, adatelemzési és speciális elemzési igazgató, 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."

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.

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.