Lewati Navigasi

Azure Machine Learning

Gunakan layanan tingkat enterprise untuk siklus hidup pembelajaran mesin ujung-ke-ujung

Azure Machine Learning

Gunakan layanan tingkat enterprise untuk siklus hidup pembelajaran mesin ujung-ke-ujung

Buat model pembelajaran mesin yang vital untuk bisnis pada skala besar

Memberdayakan ilmuwan dan pengembang data untuk membangun, menyebarkan, dan mengelola model berkualitas tinggi dengan lebih cepat dan dengan percaya diri. Mempercepat waktu ke nilai dengan operasi pembelajaran mesin (MLOps) terkemuka di industri, interoperabilitas sumber terbuka, dan alat terintegrasi. Berinovasi dalam platform yang aman dan tepercaya yang dirancang untuk aplikasi AI yang bertanggung jawab dalam pembelajaran mesin.

Buat dan latih model dengan cepat

Gunakan pengalaman pengembangan studio untuk mengakses alat bawaan dan dukungan terbaik di kelasnya untuk kerangka kerja dan pustaka sumber terbuka.

Berikan solusi yang bertanggung jawab

Mengembangkan model untuk keadilan dan kemudahan dijelaskan, menggunakannya secara bertanggung jawab saat disebarkan, dan atur untuk memenuhi persyaratan kepatuhan silsilah dan audit.

Operasionalkan pada skala besar

Sebarkan model ML dengan cepat dan mudah, serta kelola dan atur secara efisien, dengan MLOps.

Berinovasi pada platform hibrid yang lebih aman

Eksekusi beban kerja pembelajaran mesin di mana saja dengan tata kelola, keamanan, dan kepatuhan bawaan.

Hingga 3 kali ROI pada proyek pembelajaran mesin

Langkah 70% lebih sedikit untuk model pelatihan

Baris kode 90 persen lebih sedikit untuk alur

60 sertifikasi kepatuhan

Satu-satunya platform dengan PyTorch Enterprise

Dukungan untuk siklus hidup pembelajaran mesin end-to-end

Pelabelan Data

Beri label data pelatihan dan kelola proyek pelabelan.

Persiapan data

Gunakan dengan mesin analitik untuk eksplorasi dan persiapan data.

Himpunan data

Akses data dan buat serta bagikan himpunan data.

Notebooks

Gunakan buku catatan Jupyter kolaboratif dengan komputasi yang terpasang.

Pembelajaran mesin otomatis

Latih dan sesuaikan model yang akurat secara otomatis.

Desainer seret dan letakkan

Desain dengan antarmuka pengembangan seret dan jatuhkan.

Percobaan

Eksekusi percobaan serta buat dan bagikan dasbor kustom.

Antarmuka baris perintah

Percepat proses pelatihan model selagi meningkatkan dan melebarkan skala pada komputasi Azure.

Visual Studio Code dan GitHub

Gunakan alat yang familier dan beralih dengan mudah dari pelatihan lokal ke cloud.

Instans komputasi

Kembangkan di lingkungan yang terkelola dan aman dengan CPU, GPU, dan kluster superkomputasi cloud.

Pustaka dan kerangka kerja sumber terbuka

Dapatkan dukungan bawaan untuk Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib, dan lainnya.

Titik akhir terkelola

Sebarkan model untuk inferensi batch dan real-time dengan cepat dan mudah.

Alur dan CI/CD

Otomatiskan alur kerja pembelajaran mesin.

Gambar yang dibuat sebelumnya

Akses gambar kontainer dengan kerangka kerja dan pustaka untuk inferensi.

Repositori model

Bagikan dan lacak model dan data.

Hibrid dan multicloud

Latih dan sebarkan model secara lokal dan di seluruh lingkungan multicloud.

Optimalkan model

Percepat pelatihan dan inferensi serta turunkan biaya dengan ONNX Runtime.

Pemantauan dan analisis

Lacak, catat, dan analisis data, model, dan sumber daya.

Drift data

Deteksi drift dan pertahankan akurasi model.

Analisis kesalahan

Debug model dan optimalkan akurasi model.

Audit

Melacak artefak pembelajaran mesin untuk kepatuhan.

Kebijakan

Gunakan kebijakan bawaan dan kustom untuk manajemen kepatuhan.

Keamanan

Nikmati pemantauan berkelanjutan dengan Azure Security Center.

Kontrol biaya

Terapkan manajemen kuota dan pematian otomatis.

Percepat waktu untuk mendapatkan nilai dengan pengembangan model yang cepat dan akurat

Tingkatkan produktivitas dengan kemampuan studio, pengalaman pengembangan yang mendukung semua tugas pembelajaran mesin, untuk membangun, melatih, dan menyebarkan model. Berkolaborasi dengan Jupyter Notebook menggunakan dukungan bawaan untuk kerangka kerja dan pustaka sumber terbuka yang populer. Buat model yang akurat dengan cepat dengan pembelajaran mesin otomatis menggunakan kemampuan rekayasa fitur dan pembersihan hiperparameter. Akses debugger, profiler, dan penjelasan untuk meningkatkan performa model selagi Anda melatih. Gunakan Visual Studio Code mendalam untuk beralih dari pelatihan lokal ke cloud dengan lancar, dan skalakan secara otomatis dengan kluster CPU dan GPU berbasis cloud yang canggih.

Operasionalkan pada skala besar dengan operasi pembelajaran mesin (MLOps)

Sederhanakan penyebaran dan manajemen ribuan model lokal, di tepi, dan di lingkungan multicloud menggunakan MLOps. Sebarkan dan beri skor model ML lebih cepat dengan titik akhir yang dikelola sepenuhnya untuk prediksi batch dan real-time. Gunakan alur yang dapat diulang untuk mengotomatiskan alur kerja untuk integrasi berkelanjutan dan pengiriman berkelanjutan (CI/CD). Terus pantau metrik performa model, deteksi drift data, dan picu pelatihan ulang untuk meningkatkan performa model. Sepanjang siklus hidup, aktifkan kemampuan audit dan tata kelola dengan pelacakan dan silsilah bawaan untuk semua artefak pembelajaran mesin.

Berikan solusi pembelajaran mesin yang bertanggung jawab

Evaluasi model pembelajaran mesin dengan alur kerja yang dapat direproduksi dan otomatis untuk menilai keadilan model, kemudahan dijelaskan, analisis kesalahan, analisis penyebab, performa model, dan analisis data eksploratori. Buat intervensi dan kebijakan nyata dengan analisis penyebab di dasbor AI yang bertanggung jawab dan buat kartu skor pada waktu penyebaran. Ekspor kartu skor ke PDF untuk mengukur metrik AI yang bertanggung jawab, dan bagikan dengan audiens teknis dan non-teknis untuk melibatkan pemangku kepentingan dan menyederhanakan peninjauan kepatuhan.

Berinovasi di platform hibrid yang lebih aman dan sesuai

Meningkatkan keamanan di seluruh siklus hidup pembelajaran mesin dengan kemampuan komprehensif yang mencakup identitas, autentikasi, data, jaringan, pemantauan, tata kelola, dan kepatuhan. Buat solusi pembelajaran mesin yang lebih aman menggunakan kontrol akses berbasis peran kustom, jaringan virtual, enkripsi data, titik akhir pribadi, dan alamat IP pribadi end-to-end. Latih dan sebarkan model secara lokal untuk memenuhi persyaratan kedaulatan data. Kelola tata kelola dengan kebijakan bawaan dan sederhanakan kepatuhan dengan portofolio komprehensif yang mencakup 60 sertifikasi, termasuk FedRAMP High dan HIPAA.

Bangun keterampilan pembelajaran mesin dengan Azure

Pelajari selengkapnya tentang pembelajaran mesin di Azure dan ikuti tutorial praktek langsung dengan perjalanan pembelajaran 30 hari. Di akhir tutorial, Anda akan siap untuk mengikuti Sertifikasi Azure Data Scientist Associate.

Kemampuan layanan kunci untuk siklus hidup pembelajaran mesin penuh

Pelabelan Data

Buat, kelola, dan pantau proyek pelabelan, dan otomatiskan tugas berulang dengan pelabelan yang dibantu pembelajaran mesin.

Persiapan data

Lakukan persiapan data interaktif dengan PySpark menggunakan Azure Synapse Analytics.

Buku catatan kolaboratif

Maksimalkan produktivitas dengan IntelliSense, peralihan komputasi dan kernel yang mudah, serta pengeditan buku catatan offline. Luncurkan buku catatan di Visual Studio Code untuk pengalaman pengembangan yang kaya, termasuk penelusuran kesalahan yang aman dan dukungan untuk kontrol sumber Git.

Pembelajaran mesin otomatis

Membuat model yang akurat dengan cepat untuk klasifikasi, regresi, perkiraan rangkaian waktu, tugas pemrosesan bahasa alami, dan tugas visual komputer. Menggunakan interpretabilitas model untuk memahami bagaimana model dibuat.

Pembelajaran mesin seret dan letakkan

Gunakan alat pembelajaran mesin seperti desainer untuk transformasi data, pelatihan model, dan evaluasi, atau untuk membuat dan menerbitkan alur pembelajaran mesin dengan mudah.

Pembelajaran penguatan

Skalakan pembelajaran penguatan ke kluster komputasi yang canggih, dukung skenario beberapa agen, dan akses algoritme, kerangka kerja, dan lingkungan pembelajaran penguatan sumber terbuka.

Pembelajaran mesin yang bertanggung jawab

Dapatkan transparansi model pada pelatihan dan inferensi dengan kemampuan interpretabilitas. Nilai kelayakan model melalui metrik disparitas dan kurangi ketidakadilan. Tingkatkan keandalan model dan identifikasi serta diagnosis kesalahan model dengan toolkit analisis kesalahan. Bantu lindungi data dengan privasi diferensial.

Percobaan

Kelola dan pantau eksekusi atau bandingkan beberapa eksekusi untuk pelatihan dan eksperimen. Buat dasbor kustom dan bagikan dengan tim Anda.

Model registri dan jejak audit

Gunakan registri sentral untuk menyimpan dan melacak data, model, dan metadata. Tangkap secara otomatis data silsilah dan tata kelola dengan jejak audit.

Git dan GitHub

Menggunakan integrasi Git untuk melacak pekerjaan dan dukungan GitHub Actions untuk menerapkan alur kerja pembelajaran mesin.

Titik akhir terkelola

Gunakan titik akhir terkelola untuk mengoperasionalkan penyebaran dan penilaian model, mencatat metrik, dan melakukan peluncuran model aman.

Komputasi penskalaan otomatis

Gunakan komputasi terkelola untuk mendistribusikan pelatihan dan menguji, memvalidasi, dan menyebarkan model dengan cepat. Bagikan kluster CPU dan GPU di seluruh ruang kerja dan skalakan secara otomatis untuk memenuhi kebutuhan pembelajaran mesin Anda.

Interoperabilitas dengan layanan Azure lainnya

Mempercepat produktivitas dengan Microsoft Power BI dan layanan seperti Azure Synapse Analytics, Azure Cognitive Search, Azure Data Factory, Azure Data Lake, Azure Arc, Azure Security Center, dan Azure Databricks.

Dukungan hibrid dan multicloud

Jalankan pembelajaran mesin di kluster Kubernetes lokal yang ada, di lingkungan multicloud, dan di tepi dengan Azure Arc. Gunakan agen pembelajaran mesin sederhana untuk memulai model pelatihan dengan lebih aman, di mana pun data Anda berada.

Keamanan tingkat perusahaan

Buat dan sebarkan model dengan lebih aman dengan isolasi jaringan dan kemampuan IP privat end-to-end, kontrol akses berbasis peran untuk sumber daya dan tindakan, peran kustom, dan identitas terkelola untuk sumber daya komputasi.

Manajemen biaya

Mengurangi biaya TI dan mengelola alokasi sumber daya dengan lebih baik untuk instans komputasi, dengan ruang kerja dan batas kuota tingkat sumber daya serta pematian otomatis.

Panduan Cara Menguasai Pembelajaran Mesin Azure

Pelajari teknik ahli untuk membuat model dan alur pembelajaran mesin end-to-end yang otomatis dan sangat scalable di Azure menggunakan TensorFlow, Spark, dan Kubernetes.

Presentasi Merekayasa MLOps

Temukan pendekatan sistematis untuk membangun, menyebarkan, dan memantau solusi pembelajaran mesin dengan MLOps. Bangun, uji, dan kelola siklus hidup pembelajaran mesin yang siap produksi dengan cepat dalam skala besar.

Laporan The Forrester WaveTM 2020

Ketahui mengapa Forrester menyebut Azure Machine Learning sebagai Pemimpin di The Forrester WaveTM: Notebook-Based Predictive Analytics And Machine Learning, Q3 2020.

Studi Forrester Total Economic ImpactTM (TEI)

Studi The Forrester Consulting Total Economic Impact TM (TEI), yang ditugaskan oleh Microsoft, memeriksa potensi return on investment (ROI) yang dapat diwujudkan perusahaan dengan Azure Machine Learning.

Presentasi solusi Pembelajaran Mesin

Pelajari cara membangun solusi yang aman, scalable, dan merata.

Presentasi AI yang bertanggung jawab

Baca tentang alat dan metode untuk memahami, melindungi, dan mengontrol model Anda.

Presentasi operasi pembelajaran mesin (MLOps)

Percepat proses pembangunan, pelatihan, dan penyebaran model dalam skala besar.

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.

Cara menggunakan Azure Machine Learning

Masuk ke pengalaman web studio Anda

Bangun dan latih

Sebarkan dan kelola

Langkah 1 dari 1

Buat model baru dan simpan target komputasi, model, penyebaran, metrik, dan jalankan riwayat di cloud.

Langkah 1 dari 1

Gunakan pembelajaran mesin otomatis untuk mengidentifikasi algoritma dan hyperparameter serta melacak percobaan di cloud. Buat model menggunakan buku catatan atau desainer seret dan letakkan.

Langkah 1 dari 1

Sebarkan model pembelajaran mesin ke cloud atau tepi, pantau performa, dan latih ulang sesuai kebutuhan.

Bayar hanya yang Anda butuhkan, tanpa biaya di muka.

Mulai menggunakan akun gratis Azure

Mulai gratis. Dapatkan kredit $200 untuk digunakan dalam waktu 30 hari. Selagi Anda memiliki kredit, dapatkan jumlah gratis dari sekian banyaknya layanan kami yang paling populer, ditambah jumlah gratis 40+ layanan lainnya yang selalu gratis.

Setelah kredit Anda, pindahkan ke prabayar untuk terus membangun aplikasi 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 yang Anda gunakan saja di luar jumlah bulanan gratis Anda.

Pelanggan yang menggunakan Azure Machine Learning

"We make it our mission to try new ideas and go beyond to differentiate AXA UK from other insurers. We see managed endpoints in Azure Machine Learning as a key enabler for our digital ambition."

Nic Bourven, Direktur Informasi, AXA Inggris
AXA INGGRIS

"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."

Bikram Virk, Manajer Produk, AI dan Pembelajaran Mesin, FedEx
FedEx

"The end-to-end pipeline (built with Azure Machine Learning) has all the features needed to develop and maintain machine learning models throughout their lifecycles."

Dr. Deepa Kasinathan, Manajer Produk dan Pemimpin Grup, Robotron Datenbank-Software GmbH
BMW Group

"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."

Ignasi Paredes-Oliva, Ilmuwan Data Prospek, Pusat Operasi Keamanan Global Nestlé
Nestle Italia

"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."

Michael Cleavinger, Direktur Senior untuk Wawasan Pembeli, Ilmu Data, dan Analitik Tingkat Lanjut, PepsiCo
PepsiCo

Membuat hidup lebih mudah bagi penumpang rel

DB Systel merupakan mitra Deutsche Bahn (perusahaan kereta api Jerman. Perusahaan tersebut mengembangkan solusi bernama Digital Guide Dog untuk membantu penumpang. Penggunaan Azure Machine Learning membuat proses pelatihan model baru menggunakan jaringan neural hanya memerlukan beberapa jam.

DB Systel GmbH

Pembaruan, blog, dan pengumuman Azure Machine Learning

Tanya jawab umum tentang Azure Machine Learning

  • Layanan umumnya tersedia di beberapa negara/wilayah, sementara negara/wilayah lainnya sedang diusahakan.
  • Perjanjian tingkat layanan (SLA) untuk Azure Machine Learning adalah 99,9 persen waktu aktif.
  • Studio Azure Machine Learning adalah sumber daya tingkat atas untuk Pembelajaran Mesin. Kemampuan ini menyediakan tempat terpusat bagi ilmuwan data dan pengembang untuk bekerja dengan semua artefak untuk membuat, melatih, dan menyebarkan model pembelajaran mesin.

Siap digunakan—mari siapkan akun gratis Azure Anda

Coba Azure Machine Learning secara gratis

Memulai dengan harga prabayar