Azure Machine Learning
Servizio Machine Learning di livello aziendale per creare e distribuire modelli con maggiore rapidità
Accelera il ciclo di vita end-to-end di Machine Learning
Empower data scientists and developers with a wide range of productive experiences to build, train, and deploy machine learning models and foster team collaboration. Accelerate time to market with industry-leading MLOps—machine learning operations, or DevOps for machine learning. Innovate on a secure, trusted platform, designed for responsible machine learning.
Machine Learning per tutti i livelli di competenza
Productivity for all skill levels, with Jupyter Notebooks, drag-and-drop designer, and automated machine learning
MLOps end-to-end
Robust MLOps capabilities that enable creation and deployments of models at scale using automated and reproducible machine learning workflows
Innovazione di Machine Learning responsabile
Rich set of built-in responsible capabilities to understand, protect, and control data, models, and processes
Aperto e con interoperabilità
Best-in-class support for open-source frameworks and languages including MLflow, Kubeflow, ONNX, PyTorch, TensorFlow, Python, and R
Boost productivity with machine learning for all skill levels
Crea e distribuisci rapidamente i modelli di Machine Learning usando strumenti che soddisfano le tue esigenze, indipendentemente dal livello di competenza. Usa i notebook Jupyter predefiniti con Intellisense o con la finestra di progettazione con trascinamento della selezione. Accelera la creazione dei modelli con Machine Learning automatizzato e accedi alla progettazione avanzata di funzionalità, alla selezione di algoritmi e alle funzionalità di organizzazione di iperparametri. Aumenta l'efficienza dei team grazie a set di dati condivisi, notebook, modelli e dashboard personalizzabili che tengono traccia di tutti gli aspetti del processo di Machine Learning.
Ottieni l'operatività su larga scala con funzionalità per MLOps
Take advantage of MLOps to streamline the machine learning lifecycle, from building models to deployment and management. Create reproducible workflows with machine learning pipelines, and train, validate, and deploy thousands of models at scale, from the cloud to the edge. Use managed online and batch endpoints to seamlessly deploy and score models without managing the underlying infrastructure. Use Azure DevOps or GitHub Actions to schedule, manage, and automate the machine learning pipelines, and use advanced data-drift analysis to improve model performance over time.
Crea soluzioni di Machine Learning responsabile
Access state-of-the-art responsible machine learning capabilities to understand, control, and help protect your data, models, and processes. Explain model behavior during training and inferencing, and build for fairness by detecting and mitigating model bias. Preserve data privacy throughout the machine learning lifecycle with differential privacy techniques and use confidential computing to secure machine learning assets. Automatically maintain audit trails, track lineage, and use model datasheets to enable accountability.
Innova su una piattaforma aperta e flessibile
Get built-in support for open-source tools and frameworks for machine learning model training and inferencing. Use familiar frameworks like PyTorch, TensorFlow, or scikit-learn, or the open and interoperable ONNX format. Choose the development tools that best meet your needs, including popular IDEs, Visual Studio Code, Jupyter Notebooks, and CLIs, or languages such as Python and R. Use ONNX Runtime to optimize and accelerate inferencing across cloud and edge devices. Track all aspects of your training experiments using MLflow.
Sviluppa le tue competenze a livello di Machine Learning con Azure
Scopri di più su Machine Learning in Azure e partecipa a esercitazioni pratiche con questo percorso di apprendimento di 30 giorni. Al termine del percorso di apprendimento sarai pronto per provare a ottenere la certificazione Azure Data Scientist Associate.
Sicurezza, governance e infrastruttura ibrida avanzate
- Esegui il training dei modelli nell'infrastruttura ibrida usando i cluster Kubernetes in locale negli ambienti multi-cloud e nei dispositivi perimetrali grazie all'interoperabilità con Azure Arc.
- Accedi a funzionalità di sicurezza tra cui l'accesso in base al ruolo, i ruoli personalizzati di Machine Learning, le reti virtuali e i collegamenti privati. Gestisci la governance con criteri, audit trail, quote e gestione dei costi.
- Semplifica la conformità con un portfolio completo che include 60 certificazioni, tra cui FedRAMP High e DISA IL5.
Funzionalità essenziali per i servizi
Notebook collaborativi
Maximize productivity with IntelliSense, easy compute and kernel switching, and offline notebook editing. Launch your notebook in Visual Studio Code for a rich development experience, including secure debugging and support for Git source control.
Funzionalità automatizzate di Machine Learning
Crea rapidamente modelli accurati per la classificazione, la regressione e le previsioni delle serie temporali. Usa l'interpretabilità del modelli per comprendere il modo in cui è stato creato il modello.
Machine Learning con trascinamento della selezione
Usa gli strumenti di Machine Learning, tra cui la finestra di progettazione con moduli per trasformazione dei dati, il training dei modelli e la valutazione o per la semplificazione della creazione e pubblicazione di pipeline di Machine Learning.
Etichettatura dei dati
Prepara rapidamente i dati, gestisci e monitora i progetti di etichettatura e automatizza le attività iterative con etichettatura assistita da Machine Learning.
MLOps
Use the central registry to store and track data, models, and metadata. Automatically capture lineage and governance data. Use Git to track work and GitHub Actions to implement workflows. Manage and monitor runs, or compare multiple runs for training and experimentation. Use managed endpoints to operationalize model deployment and scoring, log metrics, and perform safe model rollouts.
Scalabilità automatica per le risorse di calcolo
Usa il le risorse di calcolo gestite per distribuire il training e testare, convalidare e distribuire rapidamente i modelli. Condividi cluster di CPU e GPU in un'area di lavoro e dimensionali automaticamente per soddisfare le tue esigenze di Machine Learning.
Integrazione profonda con altri servizi di Azure
Accelera la produttività con l'integrazione predefinita con Microsoft Power BI e servizi di Azure quali Azure Synapse Analytics, Ricerca cognitiva di Azure, Azure Data Factory, Azure Data Lake, Azure Arc e Azure Databricks.
Supporto per ambienti ibridi e multi-cloud
Run machine learning on existing Kubernetes clusters on-premises, in multicloud environments, and at the edge with Azure Arc. Use the one-click machine learning agent to start training models more securely, wherever your data lives.
Apprendimento per rinforzo
Dimensiona l'apprendimento per rinforzo fino a cluster di elaborazione potenti, supporta scenari con più agenti e accedi ad algoritmi, framework e ambienti di apprendimento per rinforzo open source.
Machine Learning responsabile
Get model transparency at training and inferencing with interpretability capabilities. Assess model fairness through disparity metrics and mitigate unfairness. Help protect data with differential privacy and confidential machine learning pipelines.
Sicurezza di livello enterprise
Crea e distribuisci modelli in modo più sicuro con funzionalità di isolamento rete e Collegamento privato, controllo degli accessi in base al ruolo per risorse e azioni, ruoli personalizzati e identità gestita per le risorse di calcolo.
Gestione dei costi
Migliora la gestione delle allocazioni delle risorse per istanze di calcolo di Azure Machine Learning con limiti di quota a livello di area di lavoro e risorsa.
Paga solo per le risorse che ti servono, senza costi iniziali
Ottenere il massimo da Azure Machine Learning
Tecniche di esperti per la creazione di pipeline e di modelli end-to-end di Machine Learning automatizzati e a scalabilità elevata in Azure mediante TensorFlow, Spark e Kubernetes.
Principi di data science
Molti professionisti che operano con i dati hanno sviluppato competenze a livello di matematica, programmazione o domini, ma per il settore della data science sono richieste tutte e tre. Questo e-book completo contribuisce a colmare le lacune.
Leader di Forrester Wave 2020
Forrester indica Microsoft Azure Machine Learning come leader nel report "The Forrester Wave™: Analisi predittiva basata su notebook e Machine Learning, terzo trimestre del 2020".
Come usare Azure Machine Learning
Passa all'esperienza Web per lo studio
Compilazione e training
Distribuisci e gestisci
Crea nuovi modelli e archivia le destinazioni di calcolo, i modelli, le distribuzioni, le metriche e le cronologie di esecuzione sul cloud.
Usa le funzionalità automatizzate di Machine Learning per identificare algoritmi e iperparametri e tenere traccia degli esperimenti sul cloud. Crea modelli usando i notebook o la finestra di progettazione con trascinamento della selezione.
Distribuisci il tuo modello di Machine Learning sul cloud o nei dispositivi perimetrali, monitora le prestazioni e ripeti il training in base alla necessità.
Risorse
Esercitazioni per principianti
Esercitazioni avanzate
Video in primo piano
- Introduzione ad Azure Machine Learning
- Trascinamento della selezione di Machine Learning con la finestra di progettazione
- Machine Learning automatizzato per la creazione rapida di modelli
- Use Jupyter Notebooks effectively
- Gestisci il ciclo di vita di MLOps
- Crea modelli responsabilmente
- Incrementa la produttività con l'etichettatura dei dati
Risorse aggiuntive
Inizia subito a usare Azure Machine Learning
Ottieni l'accesso immediato e $200 di credito iscrivendoti per ottenere un account Azure gratuito.
Accedi al portale di Azure.
Clienti che usano Azure Machine Learning
Jolie Vitale, Director of BI and Analytics, Carhartt"The model we deployed on Azure Machine Learning helped us choose three new retail locations. Those stores exceeded their revenue plans by over 200 percent [that] December, the height of our season, and within months of opening were among the best-performing stores in their districts."
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."
Joey Chua, Senior Manager Machine Learning Engineering, AGL"Azure Machine Learning allows us to manage the entire lifecycle, from experimentation and development to production and enhancements."
Daniel Engberg, Head of Data Analytics and Artificial Intelligence, Scandinavian Airlines"With model interpretability in Azure Machine Learning, we have a high degree of confidence that our machine learning model is generating meaningful and fair results."
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."
Alex Mohelsky, Partner and Advisory Data, Analytic, and AI Leader, EY Canada"We see Azure Machine Learning and our partnership with Microsoft as critical to driving increased adoption and acceptance of AI from the regulators."
Aggiornamenti, blog e annunci su Azure Machine Learning
-
AGGIORNAMENTO
Azure Machine Learning - Arc enabled machine learning
Domande frequenti su Azure Machine Learning
-
Il servizio è disponibile a livello generale in diversi paesi/aree geografiche, in continuo aumento.
-
Il contratto di servizio per Azure Machine Learning offre una tempo di attività al 99,9%.
-
Lo studio di Azure Machine Learning è la risorsa di primo livello per Machine Learning. Questa funzionalità fornisce una posizione centralizzata per consentire a data scientist e sviluppatori di usare tutti gli artefatti per la creazione, il training e la distribuzione di modelli di Machine Learning.