Azure Machine Learning
Nagyvállalati szintű gépi tanulási szolgáltatás a modellek gyorsabb létrehozásához és üzembe helyezéséhez
Felgyorsíthatja a teljes gépi tanulási folyamatot
Tovább bővítheti a fejlesztők és az adattudósok lehetőségeit a gépi tanulási modellek hatékonyabb és gyorsabb létrehozása, betanítása és üzembe helyezése révén. Felgyorsíthatja a piacra jutást, és segítheti a csoportmunkát az iparágvezető MLOps – a gépi tanulás DevOps-folyamatai – segítségével. Innovatív megoldásait a mesterséges intelligencia felelős használatához kialakított biztonságos és megbízható platformon valósíthatja meg.
Hatékonyság minden szakmai hozzáértési szinten a kódolással indító és a húzással működő tervező, valamint az automatizált gépi tanulás használatával
Meglévő DevOps-folyamatokkal integrálható robusztus MLOps-lehetőségek segítik a teljes ML-életciklus kezelését
A legkorszerűbb igazságossági és modellértelmezhetőségi funkciók használatával hozhat létre felelős mesterségesintelligencia-megoldásokat, amelyek bővített biztonsági és költségkezelési funkciókat tartalmaznak a fejlett irányítás és vezérlés érdekében
Kategóriájában a legjobb támogatás az olyan nyílt forráskódú keretrendszerekhez és nyelvekhez, mint az MLflow, a Kubeflow, az ONNX, a PyTorch, a TensorFlow, a Python, és az R
A gépi tanulás hatékonyságának és elérhetőségének javítása a szakmai hozzáértés minden szintjén
A gépi tanulási modelleket gyorsan hozhatja létre és helyezheti üzembe a bármely szakmai hozzáértés mellett használható eszközökkel. Az első lépésekhez használhatja a kódnélküli tervezőt, vagy a kódolással indító felülethez használhatja a beépített Jupyter-jegyzetfüzeteket. Az automatizált gépi tanulási felhasználói felület segítségével felgyorsíthatja a modellek létrehozását, a nagy precizitású modellek fejlesztéséhez igénybe veheti a beépített funkciófeldolgozást, az algoritmusválasztást, és a hiperparaméterek vizsgálatát.
Nagyszámú modell üzembe helyezése a robusztus MLOps használatával
Az MLOps, vagyis a gépi tanulás DevOps-folyamata leegyszerűsíti a gépi tanulás életciklusát a modellek létrehozásától az üzembe helyezésig és a kezelésig. A gépi tanulási folyamatok használatával ismételhető munkafolyamatokat hozhat létre, és a részletes modelladatbázis segítségével nyomon követheti eszközeit. A fejlett riasztások és az automatizált gépi tanulási lehetőségek segítségével nagyszámú éles munkafolyamatot kezelhet. Gépi tanulási modelljeit bárhol, a felhőben és a peremen is profilozhatja, érvényesítheti és üzembe helyezheti a nagyszámú éles gépi tanulási folyamat nagyvállalati színvonalú felügyelete érdekében.
Felelős mesterségesintelligencia-megoldások létrehozása
Hozzáférhet a legkorszerűbb technológiához az igazságosság és az átlátható gépi tanulási modell megvalósításához. A modell értelmezhetőségét az előrejelzések magyarázatához, és ezáltal a modell viselkedésének jobb megértéséhez használhatja fel. Általánosan használt igazságossági metrikák, automatikus összehasonlítások és javasolt enyhítések révén csökkentheti a modell torzításait.
Nyitott és rugalmas platform az innovatív megoldásokhoz
Beépített támogatást kaphat a mesterségesintelligencia-modellek betanítását és dedukcióit segítő nyílt forráskódú eszközökhöz és keretrendszerekhez. Ismerős keretrendszereket használhat, mint például a PyTorch, a TensorFlow és a Scikit-learn, vagy a nyílt és együttműködő ONNX formátum. Igényei szerint választhat fejlesztési eszközt – köztük népszerű integrált fejlesztőkörnyezeteket, Jupyter-jegyzetfüzeteket és CLI-ket –, továbbá olyan programnyelveket, mint a Python és az R. Az ONNX Runtime használatával a felhőben és a peremeszközökön egyaránt optimalizálhatja és gyorsíthatja a dedukciót.
Fokozott biztonság, irányítás és kontroll
- Gépi tanulási modelleket hozhat létre az Azure által kínált nagyvállalati szintű biztonság, megfelelőség és virtuális hálózati támogatás használatával.
- Eszközeit az identitás, az adatok és a hálózathoz való hozzáférés beépített szabályzóival védheti, beleértve az egyéni szerepköröket is.
- A hozzáférést a saját cége hálózatára korlátozhatja, vagy alkalmazhatja az Azure biztonsági szabályzatait.
- Az irányítást és a vezérlést auditnaplók, kvóta- és költségkezelés és egy átfogó megfelelőségi portfólió segítségével felügyelheti.
Csak a tényleges használatért kell fizetnie előzetes költség nélkül
A részletes adatokat az Azure Machine Learning díjszabási oldalán találja.
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.
Segédanyagok és eszközök
Kezdő szintű oktatóanyagok
Speciális oktatóanyagok
Kiemelt videók
- Ismerkedés az Azure Machine Learning szolgáltatással
- Automatizált gépi tanulás használata modellek létrehozásához
- Kódnélküli modellek létrehozása az Azure Machine Learning tervezőjével
- MLOps a teljes életciklus kezeléséhez
- ONNX-futtatókörnyezet beépítése a modellekbe
- A modellek értelmezhetősége és átláthatósága
- Modellek létrehozása R-ben
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
Dean Riddlesden, vezető adattudós, globális analitika, Walgreens Boots Alliance"If I have 200 models to train—I can just do this all at once. It can be farmed out to a huge compute cluster, and it can be done in minutes. So I'm not waiting for days."
Matthieu Boujonnier, elemzési alkalmazások rendszertervezője és adattudós, Schneider Electric"With Azure Machine Learning, we can focus our testing on the most accurate models and avoid testing a large range of less valuable models. That saves months of time."
Diana Kennedy, alelnök, információs stratégia, architektúra és tervezés, BP"A key part of our transformation has been to embrace the cloud and the digital solutions and services that come with it. This includes a deep dive into AI and machine learning."
Naeem Khedarun, vezető szoftvermérnök (AI), ASOS"By unifying our tech stack and bringing our engineers in Big Data and online software together with data scientists, we got our development time down from months to just a few weeks."
Phil Harris, fizikus tanársegéd, MIT"The [Large Hadron Collider in Europe] pushes technology on many fronts...and produces data rates that are the largest in the world. We are an example of how to do analysis of large datasets."
A Borrowell a mesterséges intelligencia használatával segíti ügyfeleit hitelképességük javításában
A Borrowell innovatív mesterségesintelligencia-technológiája a kreditpontok felhasználásával tesz javaslatokat kanadai ügyfeleinek a hitelképességük és a pénzügyi jólétük növelésére.
Azure Machine Learning – frissítések, blogok és közlemények
-
BEJELENTÉS
Előzetes verzióban elérhető az Azure Open Datasets, amely összeválogatott adatkészleteket tesz elérhetővé.
-
HÍR
Az Azure Stream Analytics és az Azure Machine Learning integrálása (előzetes verzió)
-
január 21, 2020
MLOps—the path to building a competitive edge
-
november 5, 2019
Azure Machine Learning—ML for all skill levels
-
HÍR
Az Event Gridben elérhetőek az Azure Machine Learning-események, melyekkel egyszerűbbé tehetőek az ML-alapú számítási feladatok
-
október 28, 2019
Automated machine learning and MLOps with Azure Machine Learning
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%-ot garantál.
-
Az Azure Machine Learning stúdió a gépi tanulási szolgáltatás legfelső szintű erőforrása. Olyan központi helyet biztosít az adattudósok és a fejlesztők számára, ahol a gépi tanulási modellek létrehozásának, betanításának és üzembe helyezésének összes összetevőjével dolgozhatnak.