Navigáció kihagyása
  3. Azure Machine Learning

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 gépi tanulás 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

Felelős gépi tanulási képességek – a modellek kiértékelhető és méltányos értelmezése, az adatok differenciált adatvédelemmel és bizalmas számítástechnikával való védelme, valamint az ML-életciklus auditnaplókkal és adatlapokkal történő szabályozása

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

Megtudhatja, hogyan segít az Azure Machine Learning az ügyfeleknek lépéselőnyhöz jutni

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 kódnélküli 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, 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 ML-megoldások létrehozása

Modern, felelős ML-képességeket használhat, amelyekkel megérheti, megvédheti és vezérelheti az adatait, modelljeit és folyamatait. Ismertetheti 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 az ML-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. 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.

Fejlett biztonság és irányítás

  • Alapoktól felépített biztonság és megbízható alapot nyújtó felhő az Azure-tól.
  • Az erőforrásokhoz való hozzáférést részletes szerepköralapú hozzáféréssel, egyéni szerepkörökkel és beépített identitáshitelesítési mechanizmusokkal tudhatja biztonságban.
  • A hálózat virtuális hálózatokkal és privát kapcsolatokkal való elkülönítésével biztonságosan 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.
További tudnivalók az Azure biztonsági szolgáltatásairól

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 ML

Gyorsan hozhat létre pontos modelleket besoroláshoz, regresszióhoz és idősoros előrejelzéshez. A modellek értelmezhetőségét kihasználva megértheti a modell felépítését.

Kattintással és húzással használható gépi tanulás

Használhatja a tervezőt 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-integráció

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 az olyan Azure-szolgáltatások beépített integrációjával, mint az Azure Synapse Analytics, Cognitive Search, Power BI, Azure Data Factory, Azure Data Lake és Azure Databricks.

Megerősítő tanulás

Nagy teljesítményű számítási fürtökre skálázhatja a megerősítő tanulást, támogathat többügynökös használati helyzeteket, és hozzáférhet nyílt forráskódú RL-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

Biztonságosan 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 erőforrás-elosztását a munkaterületek és erőforrásszintek kvótakorlátaival.

Csak a tényleges használatért kell fizetnie előzetes költség nélkül

A részletes adatokat az Azure Machine Learning díjszabási oldalán találja.

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 ezek közül egy vagy két készséggel, a valódi adattudományhoz azonban mindhárom szükséges. A Packt Principles of Data Science című átfogó e-könyve segít abban, hogy bepótolja, ami még hiányzik.

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

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

Kezdje meg az Azure Machine Learning használatát még ma

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

Bejelentkezés az Azure Portalra.

A dokumentáció és az oktatóanyagok tanulmányozása. Rövid útmutatókat és fejlesztői forrásokat kereshet.

Az Azure Machine Learninget használó ügyfelek

  1. Carhartt
  2. Scandinavian Airlines
  3. TransLink
  4. Walgreens Boots Alliance
  5. EY
  6. TalentCloud

"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."

Jolie Vitale: üzleti intelligenciáért és elemzésekért felelős igazgató, Carhartt
Carhartt

Scandinavian Airlines

Az Azure Machine Learning használatával az 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.

Scandinavian Airlines

"With MLOps capabilities in Azure Machine Learning, we've improved bus departure predictions by 74 percent, and riders spend 50 percent less time waiting."

Sze-Wan Ng: Elemzési és fejlesztési igazgató, TransLink
TransLink

"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."

Dean Riddlesden, vezető adattudós, globális analitika, Walgreens Boots Alliance
Walgreens Boots Alliance

"We see Azure Machine Learning and our partnership with Microsoft as critical to driving increased adoption and acceptance of AI from the regulators."

Alex Mohelsky: partner- és tanácsadói adatokért, elemzésekért és mesterséges intelligenciáért felelős vezető, EY Canada
EY

"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."

Xiaodong Wang: vezérigazgató, TalentCloud
TalentCloud

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%-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.

Ha készen áll, állítsa be ingyenes Azure-fiókját