Operasi pembelajaran mesin (MLOps)
Mempercepat otomatisasi, kolaborasi, dan reproduktivitas alur kerja pembelajaran mesin
Penyebaran dan pengelolaan ribuan model yang dipermudah di seluruh lingkungan produksi, dari lokal hingga edge
Titik akhir yang dikelola penuh untuk prediksi batch dan real time guna menyebarkan dan menskor model dengan lebih cepat
Alur yang dapat diulang guna mengotomatiskan alur kerja pembelajaran mesin untuk integrasi berkelanjutan/pengiriman berkelanjutan (CI/CD)
Terus memantau metrik performa model, mendeteksi penyimpangan data, dan memicu pelatihan ulang untuk meningkatkan performa model
Memberikan inovasi dengan cepat
MLOps—operasi pembelajaran mesin, atau DevOps untuk pembelajaran mesin—adalah interseksi antara orang, proses, dan platform untuk mendapatkan nilai bisnis dari pembelajaran mesin. Hal ini mempermudah pengembangan dan penyebaran melalui pemantauan, validasi, dan tata kelola model pembelajaran mesin.
Bangun alur kerja dan model pembelajaran mesin
Gunakan himpunan data dan registri model kaya untuk melacak aset. Aktifkan keterlacakan yang ditingkatkan dengan pelacakan untuk kode, data, dan metrik dalam riwayat eksekusi. Bangun alur pembelajaran mesin untuk merancang, menyebarkan, dan mengelola alur kerja model yang dapat direproduksi untuk pengiriman model yang konsisten.
Menyebarkan model yang sangat akurat dengan mudah di mana saja
Sebarkan dengan cepat dan percaya diri. Gunakan titik akhir online terkelola untuk menyebarkan model di seluruh mesin CPU dan GPU canggih tanpa mengelola infrastruktur yang mendasarinya. Kemas model dengan cepat dan pastikan setiap langkah berkualitas tinggi dengan menggunakan profil model dan alat validasi. Gunakan peluncuran terkontrol untuk mempromosikan model ke produksi.
Mengelola seluruh siklus proses pembelajaran mesin secara efisien
Manfaatkan interoperabilitas bawaan dengan Azure DevOps dan GitHub Actions untuk mengelola dan mengotomatiskan alur kerja dengan lancar. Optimalkan alur penyebaran dan pelatihan model, bangun untuk CI/CD guna memfasilitasi pelatihan ulang, dan dengan mudah menyesuaikan pembelajaran mesin ke dalam proses rilis yang ada. Gunakan analisis penyimpangan data tingkat lanjut untuk meningkatkan performa model seiring waktu.
Mencapai tata kelola di seluruh aset
Lacak riwayat dan silsilah data versi model untuk kemampuan audit. Tetapkan kuota komputasi pada sumber daya dan terapkan kebijakan untuk memastikan kepatuhan terhadap standar keamanan, privasi, dan kepatuhan. Gunakan kemampuan tingkat lanjut untuk memenuhi tujuan tata kelola dan kontrol serta untuk mempromosikan transparansi dan kelayakan model.
Memanfaatkan interoperabilitas dengan MLflow
Bangun alur kerja pembelajaran mesin end-to-end yang fleksibel dan lebih aman menggunakan MLflow dan Azure Machine Learning. Skalakan beban kerja Anda yang ada dengan mulus dari eksekusi lokal hingga cloud dan tepi yang cerdas. Simpan eksperimen MLflow Anda, jalankan metrik, parameter, dan artefak model di ruang kerja Azure Machine Learning yang terpusat.
Mempercepat MLOps kolaboratif di seluruh ruang kerja
Fasilitasi kolaborasi lintas ruang kerja dan MLOps dengan registri. Hosting aset pembelajaran mesin di lokasi pusat sehingga tersedia untuk semua ruang kerja di organisasi Anda. Promosikan, bagikan, dan temukan model, lingkungan, komponen, dan himpunan data di seluruh tim. Gunakan kembali alur dan sebarkan model yang dibuat oleh tim di ruang kerja lain sekaligus menjaga keutuhan silsilah data dan keterlacakan.
Pusat sumber daya
Lihat proses operasi pembelajaran mesin
Buat alur pembelajaran mesin untuk merancang, menyebarkan, dan mengelola alur kerja model
Buat alur pembelajaran mesin untuk merancang, menyebarkan, dan mengelola alur kerja model
Mengotomatiskan alur pembelajaran mesin
Sam adalah ilmuwan data yang bekerja untuk retailer fesyen online. Perusahaannya baru-baru ini mulai menggunakan pembelajaran mesin untuk menyediakan rekomendasi yang tepat waktu dan akurat, meningkatkan kepuasan pelanggan dan tim penjualan.
Setelah pembaruan katalog, Sam diminta untuk memperbarui model rekomendasi merek—tetapi tidak ada yang tahu dari mana model saat ini berasal. Dia beralih ke Azure Machine Learning untuk membangun alur kerja yang dapat direproduksi dan dapat dilacak.
Sam adalah ilmuwan data di retailer online, yang ditugaskan untuk memperbarui model rekomendasi mereka setelah pembaruan katalog terbaru. Sam mencari alur model, namun tidak ada yang tahu dari mana model tersebut berasal.
Sam beralih ke Azure ML untuk membuat alur kerja model yang dapat dilacak.
Menggunakan Azure Machine Learning dengan alat yang ada
Sam menggunakan SDK Azure Machine Learning untuk memindahkan pekerjaannya yang berbasis Notebook Jupyter ke Azure Machine Learning, memanfaatkan skala dan kemampuan kolaborasinya. Dengan menggunakan kerangka pilihannya, dia membuat versi kode pelatihan dan himpunan datanya dan menautkannya ke eksperimen yang dapat dilacak.
Tangkap metrik dari setiap eksekusi percobaan
Setiap kali Sam mengeksekusi alur, Azure Machine Learning melacak metriknya dan mencatatnya untuk ditinjau. Hal ini menangkap input (seperti himpunan data, kode, dan parameter) dan output (seperti log, metrik, dan model) untuk penilaian dan perbandingan.
Meninjau model dan eksperimen di ruang kerja
Sementara Sam terus bekerja di lingkungan buku catatannya, timnya menggunakan studio Azure Machine Learning untuk dengan mudah melacak kembali dari model terakhir dalam registri model melalui setiap aset dan langkah yang digunakan untuk membuatnya.
Membuat alur yang dapat digunakan kembali untuk efisiensi dan konsistensi
Sam membuat alur pembelajaran mesin yang dapat digunakan kembali untuk memberikan alur kerja pelatihan model dan memicunya secara otomatis saat ada perubahan pada data sumber. Jika diperlukan, ia dapat menggunakan kembali hasil langkah tanpa mengubah input.
Buat alur pembelajaran mesin yang dapat direproduksi
Sam telah membangun alur kerja yang dapat direproduksi dan dapat dilacak menggunakan Azure Machine Learning. Setiap model yang dihasilkan tim kini terikat pada eksperimen yang dijalankan untuk peninjauan dan iterasi. Dengan alur yang dapat direproduksi, Sam memungkinkan Azure Machine Learning mengotomatiskan pelatihan ulang sambil berfokus pada hal besar berikutnya.
Azure Machine Learning membantu Anda membangun alur pembelajaran mesin tingkat perusahaan melalui reproduktifitas dan keterlacakan. Hal ini mengarah pada penyediaan model yang lebih konsisten dengan lebih sedikit variabilitas dan peningkatan toleransi kegagalan.
Pelajari selengkapnya tentang alur pembelajaran mesin Menjelajahi repo GitHub untuk demo ini
Dengan memanfaatkan Azure ML, Sam telah membuat alur kerja yang dapat direproduksi dan dapat dilacak. Setiap model yang dihasilkan tim sekarang dikaitkan dengan eksekusi percobaan, memberikan tim kemampuan untuk meninjau dan menguraikan. Dengan alur yang dapat direproduksi, Sam dapat mengizinkan Azure ML mengotomatiskan pelatihan ulang selagi dia berfokus pada hal besar berikutnya.
Azure ML membantu Anda membangun alur pembelajaran mesin tingkat perusahaan melalui reproduksi dan keterlacakan. Hal ini menyebabkan pengiriman model yang lebih konsisten dengan variabilitas yang lebih sedikit dan peningkatan toleransi kesalahan.
Pelajari selengkapnya tentang alur pembelajaran mesin Menjelajahi repo GitHub untuk demo ini
Menyebarkan dengan cepat dan meyakinkan menggunakan penskalaan otomatis dan kluster inferensi terdistribusi yang terkelola
Menyebarkan dengan cepat dan meyakinkan menggunakan penskalaan otomatis dan kluster inferensi terdistribusi yang terkelola
Menyebarkan titik akhir layanan web untuk model
Sam, seorang ilmuwan data yang bekerja untuk retailer fesyen online, telah menambahkan Azure Machine Learning ke alur kerjanya untuk membuat model yang lebih baik. Alur otomatisnya baru saja mendaftarkan model final dengan hasil eksperimen terlampir yang menunjukkan peningkatan performa.
Tim pengembangan web tidak yakin bagaimana cara menyematkan model pembelajaran mesin di aplikasi web dan telah meminta layanan web sebagai gantinya. Sam meminta bantuan Azure Machine Learning untuk menambahkan titik akhir layanan web ke modelnya.
Sam, ilmuwan data di retailer online, menggunakan Azure ML untuk membuat dan mendaftarkan model. Tim pengembang web-nya kini telah meminta titik akhir web untuk memanggil modelnya guna melakukan inferensi. Sam menggunakan Azure ML untuk membuat titik akhir layanan web ini.
Ambil model terbaru dan buat profil untuk produksi
Sam mengambil model terbaru dari registri dan membuat profilnya untuk melihat jenis sumber daya yang mungkin diperlukan dalam produksi.
Mendorong model ke Azure Container Instances
Dengan data profil di tangan, Sam menggunakan Azure Machine Learning untuk mengemas model ke dalam kontainer dan menyebarkannya ke Azure Container Instances untuk inferensi batch atau real time. Setelah penyebaran, ia memanfaatkan pembuatan skema otomatis dan fitur pemantauan di Azure Machine Learning.
Sebarkan ke titik akhir yang dapat diskalakan dan beragam, dan terapkan pengujian A/B
Hanya dengan beberapa baris kode, Sam mendorong model yang sama ke instans Azure Kubernetes Service (AKS) yang lebih skalabel dan menerapkan kemampuan pengujian A/B tingkat lanjut untuk validasi model baru. Dia sekarang dapat menyebarkan model di mana pun dibutuhkan, dari cloud hingga edge, menggunakan opsi komputasi termasuk CPU, GPU, dan FPGA.
Aktifkan tim web dev untuk menggunakan model yang disebarkan
Setelah model disebarkan ke instans AKS, tim pengembang web mengakses titik akhir layanan web untuk memanggil dari aplikasi mereka untuk kebutuhan inferensi real time atau batch. Sam memantau titik akhir model untuk penyimpangan data dan metrik lainnya, yang dapat diaudit sesuai kebutuhan.
Menerbitkan model di mana pun dibutuhkan
Sam mengubah model sumber terbukanya menjadi layanan web siap produksi untuk tim pengembangannya. Dia tetap fokus pada pengembangan model daripada mempelajari banyak teknologi yang diperlukan untuk hosting layanan, termasuk Kubernetes, Flask, dan Swagger.
Azure Machine Learning membantu Anda mentransisikan model menjadi layanan web yang berkembang penuh dan berfitur lengkap dengan lancar, memungkinkan model untuk diadopsi dengan cepat dalam aplikasi.
Pelajari cara menyebarkan model dengan Azure Machine Learning
Dengan Azure ML, Sam telah mengambil model sumber terbuka dan dengan cepat mengubahnya menjadi layanan web siap produksi yang siap digunakan tim pengembangannya. Sebagai ilmuwan data, dia dapat mempertahankan fokus pada pengembangan model, tanpa harus meningkatkan banyak teknologi yang diperlukan untuk hosting layanan (termasuk Kubernetes, Flask, dan/atau Swagger).
Azure ML membantu ilmuwan data mengalihkan model mereka menjadi layanan web yang matang dan berfungsi sepenuhnya, memungkinkan mereka untuk diadopsi dengan cepat di aplikasi.
Pelajari cara menyebarkan model dengan Azure Machine Learning
Berinteroperasi dengan Azure DevOps dan GitHub Actions untuk mengotomatiskan alur kerja pembelajaran mesin
Berinteroperasi dengan Azure DevOps dan GitHub Actions untuk mengotomatiskan alur kerja pembelajaran mesin
Mengintegrasikan dengan alur kerja DevOps Anda
Sam, seorang ilmuwan data yang bekerja untuk retailer fesyen online, menggunakan Azure Machine Learning untuk membuat dan menyebarkan modelnya. Dia baru-baru ini merilis modelnya ke instans produksi Azure Kubernetes Service (AKS), dan tim web telah mengintegrasikannya ke dalam aplikasi web dengan hasil yang menjanjikan.
Rebecca, yang bekerja di tim operasi, ingin memastikan bahwa pembuatan dan penyebaran model adalah bagian dari alur kerja DevOps. Sam tidak yakin bagaimana cara menggabungkannya, jadi dia melatih Rebecca di Azure Machine Learning dan bekerja dengannya untuk menentukan bagaimana hal ini dapat memenuhi kedua persyaratan mereka.
Sam, seorang ilmuwan data, baru saja menggunakan Azure ML untuk membuat dan menyebarkan model. Dia baru saja merilis model untuk instans AKS produksi mereka. Rebecca ingin mengintegrasikannya dengan alur kerja DevOps mereka. Sam mengarahkannya ke Azure ML.
Buat alur rilis baru dengan Azure Pipeline
Rebecca membuat alur di Azure Pipelines untuk mengotomatiskan proses penyebaran. Langkah pertama dari alur menyelesaikan tugas-tugas seperti membangun model dengan semua dependensi dan memeriksa kesalahan. Untuk memicu alur ini secara otomatis, Rebecca menghubungkannya ke registri model Azure Machine Learning, memastikan bahwa alur dimulai setiap kali model baru atau versi model baru didaftarkan.
Terbitkan model untuk validasi
Rebecca menambahkan tugas untuk menerbitkan model ke Azure Container Instances untuk validasi sebelum masuk ke produksi. Dia menggunakan CLI Azure untuk berinteraksi dengan Azure Machine Learning. Hal ini memberinya akses ke fitur yang sama di dalam alatnya yang dimiliki Sam di buku catatannya. Langkah ini meniru pengujian integrasi dalam proses DevOps aplikasi mereka.
Memindahkan model ke produksi setelah validasi
Rebecca menambahkan tugas alur rilis untuk menyebarkan model ke produksi menggunakan AKS. Sebelum tugas ini diaktifkan, Rebecca mengonfigurasi gerbang yang membutuhkan pemimpin atau manajer untuk menilai dan menyetujui sebelum melanjutkan. Hal ini memastikan bahwa alur tidak menyebabkan gangguan besar jika masalah tidak tercakup dalam validasi skrip.
Siapkan deteksi drift data untuk memicu pelatihan ulang
Saat Rebecca menyiapkan alur otomatis untuk menyebarkan model, Sam memungkinkan pemantauan drift data dengan Pembelajaran Mesin Azure. Dengan memantau penggunaan layanan, dia dapat melihat apakah permintaan inferensi dalam produksi mulai menyimpang dari himpunan data pelatihan, yang menunjukkan perlunya melatih ulang.
Pantau layanan untuk stabilitas dan performa
Menggunakan Application Insights, fitur Azure Monitor, Rebecca memantau operasi layanan seperti jumlah permintaan, memuat di kluster AKS, dan latensi respons, sementara Sam memantau performa model untuk menentukan apakah akan melakukan pengoptimalan.
Membuat alur kerja model yang disederhanakan
Rebecca mengintegrasikan Azure Machine Learning ke dalam alur kerja DevOps-nya, mulai dari otomatisasi rilis hingga pemantauan produksi. Sementara dia mengawasi operasi layanan, Sam memantau dan mengelola performa model dan mengoptimalkan seperlunya.
Azure Machine Learning membantu meningkatkan ilmu data dalam proses DevOps organisasi Anda, yang mengarah ke proyek pembelajaran mesin yang lebih andal dan lebih tangguh.
Azure ML telah terintegrasi tanpa hambatan ke dalam alur kerja DevOps Rebecca yang ada, dari otomatisasi rilis melalui pemantauan produksi, dengan integrasi asli ke alat yang ada seperti Azure DevOps dan Azure App Insights. Dan jika Rebecca mengawasi operasi layanan, Azure ML memberikan Sam alat untuk memantau dan mengelola performa model serta mengoptimalkan seperlunya.
Azure ML membantu ilmu data menjadi warga kelas satu dalam proses DevOps organisasi Anda yang sudah ada, yang menyebabkan proyek pembelajaran mesin yang lebih andal dan tangguh.
Meningkatkan tata kelola dan manajemen biaya di seluruh proyek pembelajaran mesin Anda
Meningkatkan tata kelola dan manajemen biaya di seluruh proyek pembelajaran mesin Anda
Mengaktifkan tata kelola model pembelajaran mesin
Phil, manajer TI di retailer fesyen online, sangat antusias dengan pekerjaan yang dilakukan oleh tim ilmu data dan operasi dengan Azure Machine Learning.
Meskipun Phil bertanggung jawab untuk infrastruktur TI perusahaan, dia tidak yakin apa yang sedang diproduksi, siapa yang memiliki akses, atau berapa biayanya. Dia memutuskan untuk menggunakan Azure Machine Learning untuk membantunya memenuhi tanggung jawab tata kelola.
Phil, Manajer TI di retailer online, sangat senang dengan hasil kerja Sam dan Rebecca. Namun Phil bertanggung jawab atas infrastruktur TI dan tidak tahu cara memastikan tata kelola di sekitar proyek ML. Dia melihat Azure ML untuk mendapatkan bantuan.
Tinjau model dalam produksi
Phil menggunakan Azure Machine Learning untuk mengaudit titik akhir produksi. Dia dapat menavigasi kembali ke model dan eksperimen yang mendasarinya bersama dengan output dari penjelasan model dan analisis keadilan. Hal ini memastikan bahwa ia melacak setiap langkah dalam proses pembuatan model dan memungkinkan pengauditan model untuk segala bias.
Periksa log audit untuk riwayat model terperinci
Phil mengakses log audit Azure Machine Learning. Log audit ini melengkapi keterlacakan yang ditemukan dalam model dan eksperimen dengan log terperinci, yang melacak setiap tindakan (tanggal, waktu, dan pengguna). Log ini membantu Phil melacak tindakan yang dimulai di dalam atau oleh layanan untuk akuntabilitas di seluruh organisasi.
Mengamankan ruang kerja menggunakan manajemen identitas dan akses Azure
Phil menggunakan manajemen identitas dan akses azure untuk mengelola akses ke ruang kerja Azure Machine Learning. Phil menggunakan peran bawaan dan peran kustom untuk membatasi tugas yang dapat dilakukan pengguna dan mengontrol akses ke sumber daya.
Pastikan akuntabilitas dengan sumber daya Azure
Phil menggunakan kemampuan kuota untuk mengkonfigurasi batas sumber daya dan berbagi. Hal ini membantunya mengelola pengeluaran, mengendalikan biaya, dan memastikan alokasi sumber daya yang adil di seluruh tim. Hal ini juga mendorong akuntabilitas oleh masing-masing tim proyek.
Mencapai tata kelola dan kepatuhan model
Phil sekarang dapat melihat apa yang ada dalam produksi dan memastikan kepatuhan organisasi melalui audit, kontrol akses berbasis peran, dan manajemen kuota. Dia menghargai bagaimana Azure Machine Learning tidak hanya mendukung ilmu data dan tim operasi, tetapi juga memberikan kemampuan tata kelola tingkat perusahaan yang dia butuhkan.
Azure Machine Learning menyediakan kontrol organisasi yang penting untuk membuat proyek pembelajaran mesin berhasil dan lebih aman.
Pantau Pembelajaran Mesin Microsoft Azure Rencanakan dan kelola biaya untuk Pembelajaran Mesin Azure
Phil bersyukur bahwa Azure ML tidak hanya mendukung tim ilmu data dan operasi, tetapi juga memberikan kemampuan tata kelola tingkat perusahaan yang diperlukannya untuk terus memantau tanggung jawabnya. Dia dapat melihat dengan tepat apa yang ada dalam produksi, serta memastikan kepatuhan organisasi melalui audit, kontrol akses berbasis peran, dan manajemen kuota.
Azure ML memberikan kontrol organisasi yang penting untuk membuat proyek pembelajaran mesin berhasil dan aman.
Pantau Pembelajaran Mesin Microsoft Azure Rencanakan dan kelola biaya untuk Pembelajaran Mesin Azure
Keamanan dan kepatuhan bawaan yang komprehensif
-
Microsoft menginvestasikan lebih dari USD 1 miliar per tahun untuk penelitian dan pengembangan keamanan cyber.
-
Kami mempekerjakan lebih dari 3,500 pakar keamanan yang didedikasikan untuk keamanan dan privasi data.
-
Azure memiliki lebih banyak sertifikasi daripada penyedia cloud lainnya. Lihat daftar komprehensif.
Mulai menggunakan akun gratis Azure
Mulai gratis. Dapatkan kredit seharga $200 untuk digunakan dalam waktu 30 hari. Selagi Anda memiliki kredit, dapatkan sejumlah gratis dari banyak layanan kami yang paling populer, ditambah sejumlah gratis 40+ layanan lainnya yang selalu gratis.
Setelah kredit Anda, pindahkan ke prabayar untuk terus membangun dengan layanan gratis yang sama. Bayar hanya jika Anda menggunakan lebih dari jumlah bulanan gratis.
Setelah 12 bulan, Anda akan terus mendapatkan 40+ layanan yang selalu gratis—dan tetap membayar hanya yang Anda gunakan di luar jumlah bulanan gratis Anda.
Lihat bagaimana pelanggan memberikan nilai dengan operasi pembelajaran mesin
FedEx
Bikram Virk, Manajer Produk, AI dan Pembelajaran Mesin, 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."
BRF
Alexandre Biazin, Manajer Eksekutif Teknologi, BRF"We're scaling with automated machine learning in Azure and MLOps capabilities in Azure Machine Learning so that our 15 analysts can focus on more strategic tasks instead of the mechanics of merging spreadsheets and running analyses."
Nestle
Ignasi Paredes-Oliva, Ilmuwan Data Prospek, Pusat Operasi Keamanan Global Nestlé"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."
PepsiCo
Michael Cleavinger, Direktur Senior untuk Wawasan Pembeli, Ilmu Data, dan Analitik Tingkat Lanjut, 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."
