Ignora esplorazione

Azure Machine Learning

Usa un servizio di livello aziendale per il ciclo di vita di apprendimento automatico end-to-end

Azure Machine Learning

Usa un servizio di livello aziendale per il ciclo di vita di apprendimento automatico end-to-end

Crea modelli di Machine Learning strategici per il business su larga scala

Consentire a scienziati dei dati e sviluppatori di creare, distribuire e gestire modelli di alta qualità in modo più rapido e con sicurezza. Accelerare il time-to-value (TTV) con le operazioni per l’apprendimento automatico (MLOps) leader di settore, l'interoperabilità open source e gli strumenti integrati. Innovare su una piattaforma sicura e affidabile progettata per applicazioni di intelligenza artificiale responsabili nell’apprendimento automatico.

Crea ed esegui rapidamente il training dei modelli

Usare l'esperienza di sviluppo in studio per accedere agli strumenti predefiniti e al supporto migliore di categoria per framework e librerie open source.

Offri soluzioni responsabili

Sviluppare modelli per l'equità e l’esplicabilità, usarli in modo responsabile quando vengono distribuiti e regolamentarli per soddisfare i requisiti di conformità di derivazione dei dati e controllo.

Ottieni l'operatività su larga scala

Distribuire i modelli di Machine Learning in modo semplice e veloce e gestirli e governarli in modo efficiente con MLOps.

Innova su una piattaforma ibrida più sicura

Esegui i carichi di lavoro di apprendimento automatico ovunque con governance, sicurezza e conformità predefinite.

Fino a 3 volte il ROI nei progetti di Machine Learning

Riduzione del 70% per i passaggi per il training dei modelli

Riduzione del 90% per le righe di codice per le pipeline

60 certificazioni per la conformità

L'unica piattaforma con PyTorch Enterprise

Supporto per il ciclo di vita end-to-end di Machine Learning

Etichettatura dei dati

Etichetta i dati di training e gestisci i progetti di etichettatura.

Preparazione dei dati

Usare con i motori di analisi per l'esplorazione e la preparazione dei dati.

Set di dati

Accedi ai dati, crea e condividi set di dati.

Notebooks

Usare i notebook collaborativi di Jupyter con l'ambiente di calcolo collegato.

Funzionalità automatizzate di Machine Learning

Esegui automaticamente training e ottimizzazione di modelli accurati.

Finestra di progettazione del trascinamento selezione

Progettare con un'interfaccia di sviluppo con trascinamento della selezione.

Esperimenti

Esegui esperimenti, crea e condividi dashboard personalizzati.

Interfaccia della riga di comando

Accelerare il processo di training del modello aumentando il numero di risorse e la capacità delle risorse esistenti nel calcolo di Azure.

Visual Studio Code e GitHub

Usa strumenti familiari e passa facilmente dal training locale al cloud.

Istanza di ambiente di calcolo

Sviluppa in un ambiente gestito e sicuro con CPU cloud, GPU e cluster di supercomputing.

Librerie e framework open source

Ricevi supporto predefinito per Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib e altro ancora.

Endpoint gestiti

Distrire modelli per inferenza batch e in tempo reale in modo semplice e rapido.

Pipeline e CI/CD

Automatizzare i flussi di lavoro di Machine Learning.

Immagini predefinite

Accedere alle immagini del contenitore con framework e librerie per l'inferenza.

Repository di modelli

Consenti di condividere e tenere traccia di modelli e dati.

Ibrido e multi-cloud

Eseguire il training e la distribuzione di modelli in locale e in ambienti multi-cloud.

Ottimizza i modelli

Accelerare il training e l'inferenza e ridurre i costi con ONNX Runtime.

Monitoraggio e analisi

Consenti di tenere traccia, registrare e analizzare dati, modelli e risorse.

Deriva dei dati

Rileva le derive e mantieni l'accuratezza del modello.

Analisi degli errori

Esegui il debug dei modelli e ottimizza l'accuratezza del modello.

Controllo

Tracciare gli artefatti di Machine Learning per la conformità.

Criteri

Usare criteri predefiniti e personalizzati per la gestione della conformità.

Sicurezza

Sfrutta il monitoraggio continuo con Centro sicurezza di Azure.

Controllo dei costi

Applica la gestione delle quote e l'arresto automatico.

Accelera il time-to-value con uno sviluppo rapido e accurato dei modelli

Migliorare la produttività con la funzionalità studio, un'esperienza di sviluppo che supporta tutte le attività di Machine Learning, per creare, eseguire il training e distribuire modelli. Collaborare con Jupyter Notebook usando il supporto predefinito per i framework e le librerie open source più diffuse. Creare rapidamente modelli accurati con Machine Learning automatizzato usando funzionalità di ingegneria delle funzionalità e di sweep degli iperparametri. Accedere al debugger, al profiler e alle spiegazioni per migliorare le prestazioni del modello durante il training. Usare l’integrazione profonda con Visual Studio Code per passare dal training locale a quello cloud in un batter d’occhio e ridimensionare automaticamente con potenti cluster di CPU e GPU basati sul cloud.

Ottieni l'operatività su larga scala con MLOps (Operazioni per l'apprendimento automatico)

Semplificare la distribuzione e la gestione di migliaia di modelli in locale, nei dispositivi perimetrali e in ambienti multi-cloud usando MLOps. Distribuire e assegnare punteggi ai modelli di Machine Learning più velocemente con endpoint completamente gestiti per previsioni in batch e in tempo reale. Usare pipeline ripetibili per automatizzare i flussi di lavoro per integrazione continua e recapito continuo (CI/CD). Monitorare continuamente le metriche delle prestazioni del modello, rilevare la deriva dei dati e attivare la ripetizione del training per migliorare le prestazioni del modello. Per tutto il ciclo di vita, abilitare controllabilità e governance con il rilevamento e la derivazione dei dati predefiniti per tutti gli artefatti di Machine Learning.

Offri soluzioni di apprendimento automatico responsabili

Valutare i modelli di Machine Learning con flussi di lavoro riproducibili e automatizzati per valutare l'equità dei modelli, l’esplicabilità, l'analisi degli errori, l'analisi causale, le prestazioni del modello e l'analisi esplorativa dei dati. Creare interventi e criteri reali con l'analisi causale nella dashboard di intelligenza artificiale responsabile e generare una scorecard in fase di distribuzione. Esportare la scorecard in un PDF per contestualizzare le metriche di intelligenza artificiale responsabili e condividerle con i destinatari tecnici e non tecnici per coinvolgere gli stakeholder e semplificare la revisione della conformità.

Innovare in una piattaforma ibrida più sicura e conforme

Aumentare la sicurezza nel ciclo di vita di Machine Learning con funzionalità complete che includono identità, autenticazione, dati, rete, monitoraggio, governance e conformità. Creare soluzioni di Machine Learning più sicure usando il controllo degli accessi in base al ruolo personalizzato, le reti virtuali, la crittografia dei dati, gli endpoint privati e gli indirizzi IP privati end-to-end. Eseguire il training e la distribuzione di modelli in locale per soddisfare i requisiti di sovranità dei dati. Gestire la governance con criteri predefiniti e semplificare la conformità con un portfolio completo che comprende 60 certificazioni, tra cui Federal Risk and Authorization Management Program (FedRAMP) High e Health Insurance Portability and Accountability Act (HIPAA).

Sviluppa le tue competenze a livello di Machine Learning con Azure

Ottenere altre informazioni su Machine Learning in Azure e partecipare a esercitazioni pratiche con un percorso di apprendimento di 30 giorni. Al termine, si sarà pronti a ottenere la certificazione di Azure Data Scientist Associate.

Funzionalità chiave del servizio per l'intero ciclo di vita di Machine Learning

Etichettatura dei dati

Crea, gestisci e monitora i progetti di etichettatura e automatizza le attività iterative con etichettatura assistita da Machine Learning.

Preparazione dei dati

Eseguire la preparazione interattiva dei dati con PySpark usando Azure Synapse Analytics.

Notebook collaborativi

Aumenta al massimo la produttività con IntelliSense, il passaggio semplice tra risorse di calcolo e kernel e la modifica offline dei notebook. Avvia il tuo notebook in Visual Studio Code per un'esperienza di sviluppo avanzata, che include debug sicuro e supporto per il controllo del codice sorgente Git.

Funzionalità automatizzate di Machine Learning

Creare rapidamente modelli accurati per la classificazione, la regressione, la previsione di serie temporali, le attività di elaborazione del linguaggio naturale e le attività di visione artificiale. Usare l'interpretabilità del modello per comprendere come è stato compilato il modello.

Machine Learning con trascinamento della selezione

Usa gli strumenti di Machine Learning, tra cui la finestra di progettazione per trasformazione dei dati, il training dei modelli e la valutazione o per la semplificazione della creazione e pubblicazione di pipeline di Machine Learning.

Apprendimento per rinforzo

Ridimensionare l'apprendimento per rinforzo a potenti cluster di calcolo, supportare scenari con più agenti e accedere ad algoritmi, framework e ambienti open source per l'apprendimento per rinforzo.

Machine Learning responsabile

Ottieni la trasparenza dei modelli durante il training e l'inferenza con le funzionalità di interpretazione. Valuta l'equità dei modelli tramite metriche di disparità e attenua la mancanza di equità. Migliora l'affidabilità dei modelli e identifica e diagnostica gli errori dei modelli con il toolkit di analisi degli errori. Contribuisci alla protezione dei dati con la privacy differenziale.

Sperimentazione

Gestire e monitorare esecuzioni o confrontare più esecuzioni per il training e la sperimentazione. Creare dashboard personalizzate e condividerle con il team.

Registro e audit trail dei modelli

Usa il registro centrale per archiviare e rilevare dati, modelli e metadati. Acquisisci automaticamente i dati relativi a derivazione e governance con l'audit trail.

Git e GitHub

Usare l'integrazione Git per tenere traccia del lavoro e del supporto di GitHub Actions per implementare flussi di lavoro di Machine Learning.

Endpoint gestiti

Usa gli endpoint gestiti per rendere operativa la distribuzione e l'assegnazione di punteggi ai modelli e le metriche dei log e per eseguire implementazioni sicure dei modelli.

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.

Interoperabilità con altri servizi di Azure

Accelerare la produttività con Microsoft Power BI e servizi come Azure Synapse Analytics, Ricerca cognitiva di Azure, Azure Data Factory, Azure Data Lake, Azure Arc, Centro sicurezza di Azure e Azure Databricks.

Supporto per ambienti ibridi e multi-cloud

Eseguire Machine Learning nei cluster Kubernetes esistenti in locale, in ambienti multi-cloud e nei dispositivi perimetrali con Azure Arc. Usare il semplice agente di Machine Learning per avviare il training dei modelli in modo più sicuro, ovunque si trovino i dati.

Sicurezza di livello enterprise

Crea e distribuisci modelli in modo più sicuro con funzionalità di isolamento rete e IP privato end-to-end, controllo degli accessi in base al ruolo per risorse e azioni, ruoli personalizzati e identità gestita per le risorse di calcolo.

Gestione dei costi

Ridurre i costi IT e gestire meglio le allocazioni delle risorse per le istanze di calcolo, con limiti di quota a livello di area di lavoro e risorse e arresto automatico.

Guida al padroneggiamento di Azure Machine Learning

Imparare le tecniche degli esperti per la creazione di pipeline e modelli di Machine Learning end-to-end automatizzati e altamente scalabili in Azure usando TensorFlow, Spark e Kubernetes.

White paper tecnico MLOps

Scoprire un approccio sistematico alla creazione, distribuzione e monitoraggio di soluzioni di Machine Learning con Machine Learning DevOps (MLOps). Creare, testare e gestire rapidamente cicli di vita di Machine Learning pronti per la produzione su larga scala.

Rapporto Forrester WaveTM 2020

Scoprire perché Forrester Consulting ha nominato Azure Machine Learning leader in The Forrester WaveTM: Analisi predittiva basata su Notebook e Machine Learning, Q3 2020.

Studio Total Economic ImpactTM (TEI) di Forrester Consulting

Lo studio Total Economic ImpactTM (TEI) di Forrester Consulting, commissionato da Microsoft, esamina il potenziale ritorno sugli investimenti (ROI) che le aziende possono realizzare con Azure Machine Learning.

White paper soluzioni di Machine Learning

Imparare come creare soluzioni sicure, scalabili e avanzate.

White paper intelligenza artificiale responsabile

Informazioni su strumenti e metodi per comprendere, proteggere e controllare i modelli.

White paper sulle operazioni per l'apprendimento automatico (MLOps)

Accelerare il processo di creazione, training e distribuzione di modelli su larga scala.

Machine Learning white paper abilitata per Azure Arc

Informazioni su come creare, eseguire il training e distribuire modelli in qualsiasi infrastruttura.

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.

Come usare Azure Machine Learning

Passa all'esperienza Web per lo studio

Compilazione e training

Distribuisci e gestisci

Passaggio 1 di 1

Creare nuovi modelli e archiviare le destinazioni di calcolo, i modelli, le distribuzioni, le metriche e le cronologie di esecuzione nel cloud.

Passaggio 1 di 1

Usa le funzionalità di Machine Learning automatizzato 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.

Passaggio 1 di 1

Distribuisci il tuo modello di Machine Learning sul cloud o nei dispositivi perimetrali, monitora le prestazioni e ripeti il training in base alla necessità.

Paga solo per le risorse che ti servono, senza costi iniziali

Inizia con un account gratuito di Azure

Iniziare gratuitamente. Ottenere $200 di credito da usare entro 30 giorni. Anche se si dispone del proprio credito, è possibile ottenere importi gratuiti relativi a molti dei servizi più diffusi, oltre a importi gratuiti relativi a oltre 40 servizi sempre gratuiti.

Una volta scaduto il credito, l'utente potrà passare al modello di pagamento a consumo per continuare la compilazione utilizzando gli stessi servizi gratuiti. Il pagamento è dovuto solo se si supera la quota mensile gratuita.

Dopo 12 mesi, l'utente continuerà a ricevere oltre 40 servizi sempre gratuiti, pagando solo per ciò che utilizza al di sopra delle quote mensili gratuite.

Clienti che usano 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, Chief Information Officer, AXA UK
AXA UK

"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, Product Manager, AI and Machine Learning, 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, Product Manager and Group Leader, 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, Lead Data Scientist, Nestlé Global Security Operations Center
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, Senior Director of Shopper Insights, Data Science, and Advanced Analytics, PepsiCo
PepsiCo

Vita più facile per i passeggeri dei treni

DB Systel, un partner dell'azienda ferroviaria tedesca Deutsche Bahn, ha sviluppato la soluzione Digital Guide Dog per assistere i passeggeri. Usando Azure Machine Learning, è necessaria solo qualche ora per eseguire il training di un nuovo modello usando le reti neurali.

DB Systel GmbH

Risorse Azure Machine Learning

Aggiornamenti, blog e annunci su Azure 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 prevede il 99,9% di tempo in attività.
  • 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.

Possiamo iniziare quando vuoi a configurare il tuo account Azure gratuito

Prova Machine Learning gratuitamente

Inizia con prezzi con pagamento in base al consumo

Serve aiuto?