Azure Machine Learning
Nagyvállalati szintű gépi tanulási szolgáltatás a modellek gyorsabb létrehozásához és üzembe helyezéséhez
Felgyorsíthatja a teljes gépi tanulási folyamatot
Az Azure Machine Learning szolgáltatás számos hatékony képességet nyújt a fejlesztők és adatszakértők számára a gépi tanulási modellek gyorsabb létrehozásához, betanításához és üzembe helyezéséhez. Felgyorsíthatja a piacra jutást, és segítheti a csoportmunkát az iparágvezető MLOps – a gépi tanulás DevOps-folyamatai – segítségével. Innovatív megoldásait a gépi tanulás felelős használatához kialakított biztonságos és megbízható platformon valósíthatja meg.
Gépi tanulás minden készségszinthez
Hatékonyság minden szakmai hozzáértési szinten a kódolással indító és a húzással működő tervező, valamint az automatizált gépi tanulás használatával.
Teljes funkcionalitású MLOps
Meglévő DevOps-folyamatokkal integrálható robusztus MLOps-lehetőségek segítik a teljes gépi tanulási életciklus kezelését.
A legmodernebb felelős gépi tanulás
Felelős gépi tanulási képességek – a modellek kiértékelhető és méltányos értelmezése, az adatok differenciált adatvédelemmel és bizalmas számítástechnikával való védelme, valamint a gépi tanulási életciklus auditnaplókkal és adatlapokkal történő szabályozása
Nyitott és együttműködő
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 hatékonyság gépi tanulás általi javítása a szakmai hozzáértés minden szintjén
A gépi tanulási modelleket gyorsan hozhatja létre és helyezheti üzembe a bármely szakmai hozzáértés mellett használható eszközökkel. A vizuális gépi tanulás első lépéseihez használhatja a kód nélküli tervezőt, vagy a beépített együttműködési Jupyter-jegyzetfüzeteket a kódközpontú felülethez. Az automatizált gépi tanulás 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 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, a részletes modelladatbázis segítségével pedig 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 gépi tanulási megoldások létrehozása
Modern, felelős gépi tanulási képességeket használhat, amelyekkel megérheti, megvédheti és vezérelheti az adatait, modelljeit és folyamatait. Megismerheti a modellviselkedést a betanítás és a dedukció során, és a modelltorzítások észlelésével és kezelésével méltányos megoldásokat készíthet. A megkülönböztető adatvédelmi technikákkal a teljes gépi tanulási életciklusban megvédheti az adatokat, a bizalmas számítástechnikával pedig a gépi tanulási eszközöket. Automatikusan karbantarthatja az auditnaplókat, nyomon követheti az életutakat és modell-adatlapokkal valósíthatja meg az elszámoltathatóságot.
Nyitott és rugalmas platform az innovatív megoldásokhoz
Beépített támogatást kaphat a mesterségesintelligencia-modellek betanítását és dedukcióit segítő nyílt forráskódú eszközökhöz és keretrendszerekhez. Olyan 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 parancssori felületeket –, továbbá olyan programnyelveket, mint a Python és az R. Az ONNX Runtime használatával a felhőben és a peremeszközökön egyaránt optimalizálhatja és gyorsíthatja a dedukciót.
Fejlett biztonság és irányítás
- Teljes körű biztonság és megbízható alapot nyújtó felhő az Azure-tól.
- Az erőforrásokat részletes szerepköralapú hozzáféréssel, egyéni szerepkörökkel és beépített identitáshitelesítési mechanizmusokkal tudhatja biztonságban.
- A hálózat virtuális hálózatokkal és privát kapcsolatokkal való elkülönítésével biztonságosabban fejleszthet, taníthat be és helyezhet üzembe modelleket.
- 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
Maximális hatékonyságot érhet el az IntelliSense, a számítási erőforrások és kernelek közötti egyszerű váltás és az offline jegyzetfüzet-szerkesztés segítségével.
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
A központi regisztrációs adatbázisban tárolhatja és nyomon követheti az adatokat, modelleket és metaadatokat. Automatikusan rögzíthet életút- és irányítási adatokat. A Git használatával nyomon követheti a munkát, a GitHub Actions segítségével pedig munkafolyamatokat implementálhat. Kezelheti és figyelheti a betanítási és kísérleti futtatásokat, vagy összehasonlíthat több futtatást.
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.
RStudio-támogatás
Beépített R-támogatással és az RStudio Server (nyílt forráskódú kiadás) használatával készíthet és helyezhet üzembe modelleket, majd figyelheti a futtatásokat.
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 és az Azure Databricks.
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
Az értelmezhetőségi képességekkel biztosíthatja a modell átlátszóságát a betanítás és a dedukció során. Az eltérési metrikákkal igazságossá teheti a modellt, és mérsékelheti a részrehajlást. Differenciáltan védheti az adatokat.
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.
Packt: 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
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.
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 the three new retail locations we opened in 2019. Those stores exceeded their revenue plans by over 200 percent in December, the height of our season, and within months of opening were among the best-performing stores in their districts."
Az Azure Machine Learning használatával a Scandinavian Airlines (SAS) pontosan azonosítja a csalásokat, olyan hatékonysággal, amely manuális módszerekkel nem volt elérhető. Az EuroBonus-kilométerek megszerzésére visszamenőlegesen regisztrált járatok esetében – amely gyakori csalás – az új rendszer 99 százalékos pontossággal észleli a csalást.
Sze-Wan Ng, elemzési és fejlesztési igazgató, TransLink"With MLOps capabilities in Azure Machine Learning, we've improved bus departure predictions by 74 percent, and riders spend 50 percent less time waiting."
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."
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."
Xiaodong Wang, ügyvezető igazgató, TalentCloud"The automated machine learning capabilities in Azure Machine Learning save our data scientists from doing a lot of time-consuming work, which reduces our time to build models from several weeks to a few hours."
Azure Machine Learning – frissítések, blogok és közlemények
-
BEJELENTÉS
Előzetes verzióban elérhető az Azure Open Datasets, amely összeválogatott adatkészleteket tesz elérhetővé.
-
HÍR
Azure Machine Learning updates December 2020 in public preview
-
HÍR
Azure Machine Learning updates--November 2020
-
HÍR
Azure Machine Learning offers added capabilities at lower cost
-
HÍR
Azure Machine Learning updates Ignite 2020
-
HÍR
Azure Machine Learning announces output dataset (Preview)
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.