Új előzetes verziójú funkciók érhetők el az Azure Machine Learning szolgáltatáshoz

Funkciók:

• Open Datasets – A nyílt adathalmazok a nyilvános tartományból származó adathalmazok gyűjteményei, amelyek az Azure-ban készülő gépi tanulási modellek fejlesztését teszik gyorsabbá. Az Open Datasets a Machine Learning Studióval integrálható, vagy Azure Machine Learning Service-beli python-jegyzetfüzetekkel érhető el. Az Azure Open Datasets olyan minőségi adatokat nyújt a nyilvános tartományból, amelyeket többnyire nehéz megkeresni és költséges összeválogatni. Az adatszakértők hatékonyabban dolgozhatnak azáltal, hogy az adatok előkészítése helyett a modellkészítésre összpontosítanak.
• Vizuális felület: Az Azure Machine Learning új vizuális felülete a munkafolyamatok fogd és vidd módszerrel való kezelését teszi lehetővé az Azure Machine Learning szolgáltatásban. Ez egyszerűbbé teszi a gépi tanulási modellek készítését, tesztelését és üzembe helyezését azon ügyfelek számára, akik a kódolással szemben a vizuális szerkesztőfelületet részesítik előnyben. Ez az integráció az ML Studio és az AML szolgáltatás legjobb vonásait egyesíti. A fogd és vidd felület segítségével minden adatszakértő gyorsan, kódolás nélkül készíthet modelleket. Az eszköz a modell finomhangolásához is kellő rugalmasságot biztosít az adatszakértőknek. A háttérplatformként szolgáló AML szolgáltatás nyújtja azt a méretezhetőséget, biztonságot és hibakeresési lehetőséget, amelyeket az ML Studio nem biztosít. A vizuális felület egyszerű üzembe helyezési lehetőségei megkönnyítik a score.py fájl generálását és a lemezképek létrehozását. Néhány kattintással betanított modell helyezhető üzembe bármely AML szolgáltatással társított AKS-fürtbe.
• Automatizált ML – UX :
  • Üzembe helyezés webszolgáltatásként új adatokon alapuló előrejelzéshez
  • A legjobb modellek besorolási, regressziós vagy előrejelzési problémákhoz néhány kattintással
  • A létrehozott modellek elemzése
  • Polgári adatszakértők számára: Gépi tanulási modellek generálása anélkül, hogy Python- (vagy bármilyen más) kódot kellene írnia. Adatszakértők számára: Modellek százainak gyors felfedezése és generálása, majd a legjobbak optimalizálása Jupyter-jegyzetfüzetben
• Notebook virtuális gépek: Az Azure Machine Learning április közepétől privát előzetes verziójú üzemeltetett jegyzetfüzet-szolgáltatást kínál, amely várhatóan májustól lesz elérhető nyilvános előzetes verzióban. Az üzemeltetett jegyzetfüzetek kódközpontú felületet biztosítanak, amelyen a felhasználók az Azure Machine Learning Python SDK által támogatott összes műveletet végrehajthatják egy jól ismert Jupyter-jegyzetfüzettel. Az üzemeltetett jegyzetfüzetek a gépi tanulás területén dolgozóknak biztonságos, nagyvállalati szinten használható környezetet biztosítva teszik egyszerűbbé az első lépések megtételét. A privát előzetes verzióval az ügyfelek a következőket tehetik meg: hozzáférés az Azure ML-munkaterületbe integrált jegyzetfüzetekhez, előre konfigurált, beállítást nem igénylő Azure ML-jegyzetfüzetek használata, a Notebook virtuális gépek teljes körű testreszabása akár csomagok vagy illesztőprogramok hozzáadásával.

​Mostantól központi, biztonságos és méretezhető helyen használhatja Azure Machine Learning-munkaterületével az MLflow-t a betanítási munkamenetek metrikáinak és összetevőinek naplózására. MLflow-nyomkövetést végezhet helyi számítógépéről, egy virtuális gépről vagy egy távoli számítási környezetből.

• Data Box Edge FPGA-val: A Microsofttól származó Projekt Brainwave hardverarchitektúrára épülő helyszínen programozható kaputömbök (FPGA-k) logikai következtetésekhez használhatók gépi tanuláshoz. FPGA-k használatával az adatszakértők és fejlesztők felgyorsíthatják a valós idejű MI-számításokat. A hardveresen gyorsított modell (Hardware Accelerated Models) már nyilvánosan elérhető a felhőben, a Data Box Edge-ben üzembe helyezett modellek előzetes verzióival együtt. Az FPGA-k teljesítményt, rugalmasságot és megfelelő méretet kínálnak, és csak az Azure Machine Learningen keresztül érhetők el. Lehetővé teszik a valós idejű következtetési kérések alacsony késésű teljesítésének megvalósítását, csökkentve az aszinkron kérések (kötegelés) igényét.