Sono ora disponibili in anteprima nuove funzionalità per Azure Machine Learning

Funzionalità incluse:

• Seti di dati Open - I set di dati Open sono una raccolta di set di dati dal dominio pubblico per l'accelerazione dello sviluppo di modelli di Machine Learning creati in Azure. I set di dati Open si integrano con Machine Leaning Studio o sono accessibili dai notebook Python nel servizio Azure Machine Learning. I set di dati Open di Azure offrono dati di buona qualità dal dominio pubblico. I dati di questo tipo sono spesso difficili da trovare e costosi da personalizzare. I data scientist potranno migliorare la propria produttività concentrandosi sulla preparazione dei modelli invece che sulla preparazione dei dati.
• Interfaccia visiva grafica: la nuova interfaccia visiva grafica per Azure Machine Learning aggiunge funzionalità di trascinamento della selezione per i flussi di lavoro nel servizio Azure Machine Learning. Semplifica il processo di creazione, test e sviluppo di modelli di Machine Learning per i clienti che preferiscono un'esperienza visiva rispetto a un'esperienza basata sulla scrittura di codice. Questa integrazione combina il meglio di Machine Learning Studio e del servizio Azure Machine Learning. L'esperienza basata su trascinamento della selezione permette a qualsiasi data scientist di creare rapidamente un modello senza dovere scrivere codice. Lo strumento offre ai data scientist anche la flessibilità sufficiente per l'ottimizzazione del modello. Il servizio Azure Machine Learning come piattaforma back-end offre tutta la scalabilità, la sicurezza e le funzionalità di debug … che non sono incluse in Machine Learning Studio. Le funzionalità che semplificano lo sviluppo nell'interfaccia visiva grafica permettono di generare con facilità il file score.py e di creare immagini. Con pochi clic è possibile distribuire un modello sottoposto a traning in qualsiasi cluster del servizio Azure Kubernetes associato al servizio Azure Machine Learning.
• Funzionalità automatiche di Machine Learning – Esperienza utente: 
  • Esegui la distribuzione come servizi Web per ottenere previsioni relative ai nuovi dati
  • Ottieni il modello ottimale per problemi di classificazione, regressione o previsione selezionando solo qualche pulsante
  • Analizza i modelli generati
  • Data scientist: è possibile generare modelli di Machine Learning senza dovere scrivere codice Python o codice di qualsiasi tipo. I data scientist possono esplorare e generare rapidamente centinaia di modelli, quindi continuare a ottimizzare i modelli migliori in Jupyter Notebook
• VM notebook: Azure Machine Learning sarà disponibile a metà aprile in anteprima privata con un servizio notebook ospitato ed è previsto il passaggio all'anteprima pubblica nel mese di maggio. I notebook ospitati offrono un'esperienza incentrata sul codice, che permette agli utenti di eseguire qualsiasi operazione supportata da Azure Machine Learning Python SDK usando un notebook Jupyter familiare. I notebook ospitati semplificano il processo iniziale offrendo un ambiente sicuro di livello aziendale per i professionisti in ambito Machine Learning. Nell'anteprima privata i clienti potranno accedere a un notebook integrato nell'area di lavoro di Azure Machine Learning, usare notebook preconfigurati di Azure Machine Learning che non richiedono configurazione, personalizzare completamente le VM notebook consentendo anche l'aggiunta di pacchetti e unità.

​Ora puoi usare MLflow con la tua area di lavoro di Azure Machine Learning per registrare metriche e artefatti dalle esecuzioni di training in una posizione centralizzata, sicura e scalabile. La registrazione di MLflow può essere eseguita dal computer locale, da una macchina virtuale o da un ambiente di calcolo remoto.

• Data Box Edge con FPGA: gli FPGA sono un'opzione di inferenza di Machine Learning basata su Project Brainwave, un'architettura hardware di Microsoft. I data scientist e gli sviluppatori possono usare FPGA per accelerare i calcoli in tempo reale per l'intelligenza artificiale. Questi modelli con accelerazione hardware sono ora disponibili a livello generale sul cloud, insieme a un'anteprima dei modelli distribuiti in Data Box Edge. Gli FPGA offrono prestazioni, flessibilità e scalabilità e sono disponibili solo tramite Azure Machine Learning. Consentono di ottenere una bassa latenza per richieste di inferenza in tempo reale, riducendo la necessità di richieste asincrone (invio in batch).