MLOps (Operazioni per l'apprendimento automatico)
Accelera l'automazione, la collaborazione e la riproducibilità dei flussi di lavoro di Machine Learning
Distribuzione e gestione semplificate di migliaia di modelli negli ambienti di produzione, dall'ambiente locale alla rete perimetrale
Endpoint completamente gestiti per previsioni in batch e in tempo reale, per distribuire e assegnare un punteggio ai modelli più velocemente
Pipeline ripetibili per automatizzare i flussi di lavoro di Machine Learning per l'integrazione continua e il recapito continuo (CI/CD)
Monitora continuamente le metriche delle prestazioni del modello, rileva la deriva dei dati e attiva la ripetizione del training per migliorare le prestazioni del modello
Distribuisci rapidamente l'innovazione
MLOps, ovvero operazioni per l'apprendimento automatico, o DevOps per l'apprendimento automatico, è l'incontro di persone, processi e piattaforme per generare valore aziendale dal Machine Learning. Semplifica lo sviluppo e la distribuzione mediante il monitoraggio, la convalida e la governance dei modelli di Machine Learning.
Crea flussi di lavoro e modelli di Machine Learning
Usa set di dati e registri di modelli avanzati per tenere traccia delle risorse. Abilita la tracciabilità avanzata con il rilevamento di codice, dati e metriche nella cronologia di esecuzione. Crea pipeline di Machine Learning per progettare, distribuire e gestire flussi di lavoro di modelli riproducibili per un recapito coerente dei modelli.
Distribuisci con facilità modelli estremamente accurati ovunque
Distribuisci rapidamente in tutta sicurezza. Usa gli endpoint online gestiti per distribuire modelli su potenti macchine CPU e GPU senza bisogno di gestire l'infrastruttura sottostante. Crea rapidamente pacchetti di modelli e assicura qualità elevata in ogni passaggio usando strumenti di profilatura e convalida dei modelli. Usa l'implementazione controllata per promuovere i modelli in produzione.
Gestire in modo efficiente l'intero ciclo di vita di Machine Learning
Sfrutta l'interoperabilità predefinita con Azure DevOps e GitHub Actions per gestire e automatizzare senza problemi i flussi di lavoro. Ottimizza le pipeline di training e distribuzione dei modelli, crea per CI/CD per facilitare la ripetizione del training e introduci facilmente il Machine Learning nei processi di rilascio esistenti. Usa l'analisi avanzata della deriva dei dati per migliorare le prestazioni del modello nel tempo.
Ottenere la governance tra gli asset
Tieni traccia della cronologia delle versioni e della derivazione del modello a scopi di controllabilità. Imposta quote di calcolo sulle risorse e applica criteri per garantire il rispetto degli standard di sicurezza, privacy e conformità. Usa le funzionalità avanzate per soddisfare gli obiettivi di governance e controllo e per promuovere la trasparenza e l'equità dei modelli.
Sfruttare i vantaggi dell'interoperabilità con MLflow
Creare flussi di lavoro di Machine Learning end-to-end flessibili e più sicuri usando MLflow e Azure Machine Learning. Ridimensiona senza problemi i carichi di lavoro esistenti dall'esecuzione locale al cloud intelligente e alla rete perimetrale. Archiviare gli esperimenti di MLflow, eseguire metriche, parametri e artefatti del modello nell'area di lavoro centralizzata Azure Machine Learning.
Accelerare procedure MLOps collaborative nelle aree di lavoro
Facilita la collaborazione tra aree di lavoro e MLOps con i registri. Ospita le risorse di Machine Learning in una posizione centrale, rendendole disponibili per tutte le aree di lavoro dell'organizzazione. Promuovi, condividi e individua modelli, ambienti, componenti e set di dati in tutti i team. Riutilizza le pipeline e distribuisci i modelli creati dai team in altre aree di lavoro mantenendo inalterate la derivazione e la tracciabilità.
Centro risorse
Guarda le operazioni per l'apprendimento automatico in azione
Creare pipeline di Machine Learning per progettare, distribuire e gestire flussi di lavoro del modello
Creare pipeline di Machine Learning per progettare, distribuire e gestire flussi di lavoro del modello
Automazione di una pipeline di Machine Learning
Sam è un data scientist che lavora per un rivenditore di moda online. L'azienda ha iniziato di recente a usare Machine Learning per fornire raccomandazioni tempestive e accurate, migliorando la soddisfazione dei clienti e le vendite.
Dopo un aggiornamento del catalogo, a Sam è stato chiesto di aggiornare il modello di raccomandazione del marchio, ma nessuno sa da dove proviene il modello corrente. Si trasforma in Azure Machine Learning per creare un flusso di lavoro riproducibile e tracciabile.
Sam è un data scientist per un rivenditore online e deve aggiornare il rispettivo modello di raccomandazioni dopo un aggiornamento recente del catalogo. Sam cerca la pipeline del modello, ma nessuno conosce l'origine del modello.
Sam si affida ad Azure Machine Learning per creare un flusso di lavoro tracciabile per il modello.
Usare Azure Machine Learning con gli strumenti esistenti
Sam usa Azure Machine Learning SDK per spostare il lavoro basato su Jupyter Notebook in Azure Machine Learning, sfruttando le funzionalità di scalabilità e collaborazione. Usando la scelta del framework, esegue la versione del codice di training e dei set di dati e li collega a un esperimento tracciabile.
Acquisisci le metriche da ogni esecuzione dell'esperimento
Ogni volta che Sam esegue un'esecuzione, Azure Machine Learning tiene traccia delle metriche e la registra per la revisione. In questo modo vengono acquisiti gli input (ad esempio set di dati, codice e parametri) e gli output (ad esempio log, metriche e modelli) per la valutazione e i confronti.
Esaminare modelli ed esperimenti nell'area di lavoro
Mentre Sam continua a lavorare nel suo ambiente notebook, il suo team usa lo studio di Azure Machine Learning per tracciare facilmente il modello finale nel registro del modello tramite ogni asset e passaggio usato per crearlo.
Creare pipeline riutilizzabili per efficienza e coerenza
Sam crea una pipeline di Machine Learning riutilizzabile per distribuire un flusso di lavoro di training del modello e attivarlo automaticamente in caso di modifiche nei dati di origine. Se necessario, può riutilizzare il risultato dei passaggi senza modificare gli input.
Crea pipeline di Machine Learning riproducibili
Sam ha creato un flusso di lavoro riproducibile e tracciabile usando Azure Machine Learning. Ogni modello prodotto dal team è ora associato a un'esecuzione dell'esperimento per la revisione e l'iterazione. Con una pipeline riproducibile, Sam consente Azure Machine Learning automatizzare la ripetizione del training mentre si concentra sul successivo aspetto importante.
Azure Machine Learning consente di creare pipeline di Machine Learning di livello aziendale tramite riproducibilità e tracciabilità. Ciò comporta una distribuzione del modello più coerente con una minore variabilità e una maggiore tolleranza di errore.
Altre informazioni sulle pipeline di Machine Learning Esplorare il repository GitHub per questa demo
Grazie ai vantaggi di Azure Machine Learning, Sam ha creato un flusso di lavoro riproducibile e tracciabile. Ogni modello prodotto dal team è ora associato a un'esecuzione di un esperimento, in modo da offrire al team la possibilità di verifica e iterazione. Grazie a una pipeline riproducibile, Sam può permettere ad Azure Machine Learning di automatizzare la ripetizione del training, mentre si concentra sulla prossima innovazione.
Azure Machine Learning ti aiuta a creare pipeline di Machine Learning di livello aziendale tramite la riproducibilità e la tracciabilità. In questo modo è possibile ottenere una distribuzione più coerente dei modelli, con meno variabilità e maggiore tolleranza di errore.
Altre informazioni sulle pipeline di Machine Learning Esplorare il repository GitHub per questa demo
Distribuisci rapidamente con sicurezza usando la scalabilità automatica e i cluster di inferenza distribuiti gestiti
Distribuisci rapidamente con sicurezza usando la scalabilità automatica e i cluster di inferenza distribuiti gestiti
Distribuzione di un endpoint del servizio Web per un modello
Sam, un data scientist che lavora per un rivenditore di moda online, ha aggiunto Azure Machine Learning al suo flusso di lavoro per creare modelli migliori. La pipeline automatizzata ha appena registrato un modello finale con risultati sperimentali allegati che mostrano prestazioni migliorate.
Il team di sviluppo Web non è sicuro di come incorporare un modello di Machine Learning nell'app Web e ha invece richiesto un servizio Web. Sam passa a Azure Machine Learning per avere assistenza nell'aggiunta di un endpoint del servizio Web al modello.
Sam, un data scientist presso un rivenditore online, ha usato Azure ML per creare e registrare un modello. Il suo team di sviluppo Web gli ha chiesto un endpoint Web per chiamare il suo modello per l’inferenza. Sam usa Azure ML per creare questo endpoint del servizio Web.
Recupera il modello più recente e profilalo per la produzione
Sam recupera il modello più recente dal Registro di sistema e lo profila per vedere il tipo di risorse che potrebbe essere necessario nell'ambiente di produzione.
Eseguire il push del modello in Istanze di Azure Container
Con i dati di profilatura in mano, Sam usa Azure Machine Learning per creare un pacchetto del modello in un contenitore e distribuirlo in Istanze di Azure Container per l'inferenza in tempo reale o batch. Dopo la distribuzione, sfrutta le funzionalità automatiche di generazione e monitoraggio dello schema in Azure Machine Learning.
Esegui la distribuzione in endpoint scalabili e diversificati e implementa i test A/B
Con un paio di righe di codice, Sam esegue il push dello stesso modello in un'istanza di servizio Azure Kubernetes (AKS) più scalabile ed esegue l'esecuzione di funzionalità avanzate di test A/B per la convalida del nuovo modello. Ora può distribuire i modelli ovunque siano necessari, dal cloud ai dispositivi perimetrali, usando opzioni di calcolo tra cui CPU, GPU e FPGA.
Permetti al team di sviluppo Web di usare il modello distribuito
Dopo la distribuzione del modello in un'istanza del servizio Azure Kubernetes, il team di sviluppo Web accede all'endpoint del servizio Web per chiamare dall'applicazione per esigenze di inferenza batch o in tempo reale. Sam monitora l'endpoint del modello per individuare la deriva dei dati e altre metriche, che possono essere controllate in base alle esigenze.
Pubblicare i modelli ovunque siano necessari
Sam ha trasformato il modello open source in un servizio Web pronto per la produzione per il team di sviluppo. Ha mantenuto l'attenzione sullo sviluppo di modelli invece di apprendere le numerose tecnologie necessarie per l'hosting di servizi, tra cui Kubernetes, Flask e Swagger.
Azure Machine Learning consente di passare facilmente i modelli a servizi Web completi e avanzati, consentendone l'adozione rapida nelle applicazioni.
Grazie ad Azure Machine Learning, Sam ha usato il modello open source e lo ha trasformato rapidamente in un servizio Web pronto per la produzione, che può essere subito usato dal team di sviluppo. In quanto data scientist, è riuscito a rimanere concentrato sullo sviluppo del modello, invece di dovere acquisire competenze aggiuntive relative alle numerose tecnologie necessarie per l'hosting dei servizi, tra cui Kubernetes, Flask e/o Swagger.
Azure Machine Learning aiuta i data scientist a eseguire senza problemi la transizione dei rispettivi modelli a servizi Web maturi e completi, consentendone l'adozione rapida nelle applicazioni.
Interagire con Azure DevOps e GitHub Actions per automatizzare i flussi di lavoro di Machine Learning
Interagire con Azure DevOps e GitHub Actions per automatizzare i flussi di lavoro di Machine Learning
Integrazione con il flusso di lavoro DevOps
Sam, un data scientist che lavora per un rivenditore di moda online, ha usato Azure Machine Learning per creare e distribuire i modelli. Di recente ha rilasciato il modello in un'istanza di produzione di servizio Azure Kubernetes (AKS) e il team Web lo ha integrato nell'app Web con risultati positivi.
Rebecca, che fa parte del team operativo, vuole garantire che la compilazione e la distribuzione del modello facciano parte dei flussi di lavoro DevOps. Sam non sa come incorporarlo, quindi esegue il training di Alice su Azure Machine Learning e collabora con lei per determinare come possa soddisfare entrambi i requisiti.
Sam, un data scientist, ha usato di recente Azure ML per creare e distribuire modelli. Ha appena rilasciato un modello nell'istanza del servizio Azure Kubernetes di produzione. Rebecca vuole integrarlo con i flussi di lavoro DevOps. Sam la indirizza ad Azure ML.
Crea una nuova pipeline di versione con Azure Pipelines
Rebecca crea una pipeline in Azure Pipelines per automatizzare il processo di distribuzione. Il primo passaggio della pipeline esegue attività come la compilazione del modello con tutte le dipendenze e la verifica della presenza di errori. Per attivare automaticamente questa pipeline, Rebecca la connette al registro dei modelli di Azure Machine Learning, assicurandosi che venga avviata ogni volta che viene registrato un nuovo modello o una nuova versione del modello.
Pubblica il modello per la convalida
Rebecca aggiunge un'attività per pubblicare il modello in Istanze di Azure Container per la convalida prima che passi all'ambiente di produzione. Usa l'interfaccia della riga di comando di Azure per interagire con Azure Machine Learning. Le consente di accedere alle stesse funzionalità all'interno dei suoi strumenti che Sam ha nel suo notebook. Questo passaggio simula i test di integrazione nel processo DevOps dell'app.
Spostare il modello nell'ambiente di produzione al momento della convalida
Rebecca aggiunge un'attività della pipeline di versione per distribuire il modello nell'ambiente di produzione usando il servizio Azure Kubernetes. Prima dell'attivazione di questa attività, Rebecca configura un controllo che richiede a un cliente potenziale o a un responsabile di valutare e approvare prima di continuare. In questo modo si garantisce che la pipeline non causi interruzioni importanti se un problema non è stato rilevato nelle convalide con script.
Configura il rilevamento della deriva dei dati per attivare il training
Mentre Rebecca configura la pipeline automatizzata per distribuire i modelli, Sam abilita il monitoraggio della deriva dei dati con Azure Machine Learning. Monitorando l'utilizzo del servizio, può verificare se le richieste di inferenza nell'ambiente di produzione iniziano a deviare dal set di dati di training, indicando la necessità di ripetere il training.
Monitora la stabilità e le prestazioni del servizio
Usando Application Insights, una funzionalità di Monitoraggio di Azure, Rebecca monitora le operazioni del servizio, ad esempio il numero di richieste, il carico nel cluster del servizio Azure Kubernetes e la latenza di risposta, mentre Sam monitora le prestazioni del modello per determinare se eseguire ottimizzazioni.
Creare un flusso di lavoro del modello semplificato
Rebecca ha incorporato Azure Machine Learning nel suo flusso di lavoro DevOps, dall'automazione del rilascio al monitoraggio della produzione. Mentre tiene sotto controllo le operazioni del servizio, Sam monitora e gestisce le prestazioni del modello e ottimizza in base alle esigenze.
Azure Machine Learning consente di elevare data science nel processo DevOps dell'organizzazione, con progetti di Machine Learning più solidi e affidabili.
Azure Machine Learning è stato integrato senza problemi nel flusso di lavoro di DevOps esistente di Rebecca, dall'automazione delle versioni al monitoraggio in produzione, con integrazioni native negli strumenti esistenti come Azure DevOps e Azure App Insights. Mentre Rebecca tiene sotto controllo le operazioni del servizio, Azure Machine Learning fornisce a Sam gli strumenti per il monitoraggio e la gestione delle prestazioni del modello e l'ottimizzazione, se necessario.
Azure Machine Learning aiuta i data scientist ad acquisire un ruolo primario nel processo DevOps esistente dell'organizzazione, favorendo la creazione di progetti di Machine Learning più affidabili e solidi.
Migliorare la governance e la gestione dei costi nei progetti di Machine Learning
Migliorare la governance e la gestione dei costi nei progetti di Machine Learning
Abilitazione della governance del modello di Machine Learning
Phil, manager IT presso un rivenditore di moda online, è entusiasta del lavoro svolto dai team data science e operativi con Azure Machine Learning.
Anche se Phil è responsabile dell'infrastruttura IT dell'azienda, non è sicuro di cosa sia in produzione, chi ha accesso o quanto costerà. Decide di usare Azure Machine Learning per garantire le proprie responsabilità di governance.
Phil, il responsabile IT presso un rivenditore online, è entusiasta del lavoro di Sam e Rebecca. Tuttavia, Phil è responsabile dell'infrastruttura IT e non sa come garantire la governance per il progetto di Machine Learning. Sta esaminando Azure ML per assistenza.
Rivedi i modelli in nell’ambiente di produzione
Phil usa Azure Machine Learning per controllare gli endpoint di produzione. Può tornare a modelli ed esperimenti sottostanti insieme agli output delle spiegazioni del modello e all'analisi dell'equità. In questo modo viene eseguita la traccia di ogni passaggio del processo di creazione del modello e viene abilitato il controllo dei modelli per qualsiasi distorsione.
Controlla i log di controllo per una cronologia dettagliata dei modelli
Phil accede ai log di controllo Azure Machine Learning. Questi integrano la tracciabilità presente nei modelli e negli esperimenti con un log dettagliato, che tiene traccia di ogni azione (data, ora e utente). Questi log consentono a Phil di tracciare le azioni avviate all'interno o dal servizio per la responsabilità a livello di organizzazione.
Proteggere l'area di lavoro usando la gestione delle identità e degli accessi di Azure
Phil usa le soluzioni di gestione delle identità e degli accessi di Azure per gestire l'accesso all'area di lavoro Azure Machine Learning. Usa sia ruoli predefiniti che ruoli personalizzati per limitare le attività che gli utenti possono eseguire e controllare l'accesso alle risorse.
Assicura la responsabilità con le risorse di Azure
Phil usa la funzionalità quote per configurare i limiti e la condivisione delle risorse. Questo consente di gestire la spesa, controllare i costi e garantire un'allocazione equa delle risorse tra i team. Incoraggia anche la responsabilità da parte dei rispettivi team di progetto.
Ottenere la governance e la conformità dei modelli
Phil può vedere nell'ambiente di produzione e garantire la conformità dell'organizzazione tramite il controllo, il controllo degli accessi in base al ruolo e la gestione delle quote. Apprezza il modo in cui Azure Machine Learning non solo supporta i team di data science e operativi, ma offre anche le funzionalità di governance di livello aziendale necessarie.
Azure Machine Learning fornisce i controlli dell'organizzazione essenziali per rendere i progetti di Machine Learning efficaci e più sicuri.
Monitora Azure Machine Learning Pianifica e gestisci i costi per Azure Machine Learning
Phil è felice che Azure Machine Learning supporti non solo i team di data science e operativi, ma che offra anche le funzionalità di governance di livello aziendale che gli servono per rispettare le sue responsabilità. Può verificare esattamente gli elementi in produzione, oltre ad assicurare la conformità dell'organizzazione tramite controllo, controllo degli accessi in base al ruolo e gestione delle quote.
Azure Machine Learning offre i controlli dell'organizzazione essenziali per assicurare il successo e la protezione dei progetti di Machine Learning.
Monitora Azure Machine Learning Pianifica e gestisci i costi per Azure Machine Learning
Sicurezza e conformità complete predefinite
-
Microsoft investe più di USD 1 miliardi all'anno in ricerca e sviluppo per cybersecurity.
-
I nostri dipendenti includono più di 3,500 esperti di sicurezza dedicati alla sicurezza e alla privacy dei dati.
-
Azure ha ottenuto più certificazioni che qualsiasi altro provider di servizi cloud. Visualizza l'elenco completo.
Inizia subito con un account Azure gratuito
Inizia gratuitamente. Ottieni $200 di credito da usare entro 30 giorni. Finché hai credito, puoi ottenere quote di utilizzo gratuito di molti dei nostri servizi più diffusi, oltre a quote di utilizzo gratuito relative a oltre 40 servizi sempre gratuiti.
Una volta scaduto il credito, l'utente potrà passare al modello di pagamento a consumo per continuare a creare utilizzando gli stessi servizi gratuiti. Il pagamento è dovuto solo se si supera la quota mensile gratuita.
Dopo 12 mesi, l'utente riceverà più di 40 servizi che sono sempre gratuiti, pagando solo ciò che utilizza al di sopra delle quote mensili gratuite.
Scopri come i clienti creano valore con le operazioni per l'apprendimento automatico
FedEx
Bikram Virk, Product Manager, AI and Machine Learning, 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, Technology Executive Manager, 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, Lead Data Scientist, Nestlé Global Security Operations Center"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, Senior Director of Shopper Insights, Data Science, and Advanced Analytics, 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."
Altre risorse su MLOps
Introduzione
Blog
- Unificazione di MLOps in Microsoft
- Concetti del modello di maturità MLOps
- Azure Machine Learning eccelle nell'idoneità aziendale
- L'arte di testare i sistemi di Machine Learning
- Testare l'affidabilità dei sistemi di Machine Learning
- Testare la scalabilità dei sistemi di Machine Learning
- Testare la sicurezza dei sistemi di Machine Learning