탐색 건너뛰기

MLOps(기계 학습 운영)

기계 학습 워크플로의 자동화, 공동 작업 및 재현성 가속화

온-프레미스에서 에지에 이르기까지, 프로덕션 환경 전체에서 수천 개 모델의 배포 및 관리를 간소화했습니다.

일괄 처리 및 실시간 예측을 위한 완전 관리형 엔드포인트로 더 빠르게 모델을 배포하고 점수를 매깁니다.

반복 가능한 파이프라인으로 CI/CD(연속 통합 및 지속적인 업데이트)를 위해 기계 학습 워크플로를 자동화합니다.

모델 성능 메트릭을 지속적으로 모니터링하고, 데이터 드리프트를 감지하고, 재학습을 트리거하여 모델 성능을 향상시킵니다.

신속하게 혁신 제공

기계 학습의 DevOps라고도 하는 MLOps(기계 학습 운영)는 기계 학습에서 비즈니스 가치를 얻기 위한 사람, 프로세스, 플랫폼의 교집합입니다. MLOps는 기계 학습 모델의 모니터링, 유효성 검사 및 거버넌스를 통해 개발 및 배포를 간소화합니다.

기계 학습 워크플로 및 모델 빌드

데이터 세트 및 풍부한 모델 레지스트리를 사용하여 자산을 추적합니다. 실행 기록에서 코드, 데이터 및 메트릭을 추적하는 향상된 추적 기능을 활성화합니다. 기계 학습 파이프라인을 빌드하여 일관된 모델 전달을 위해 재현 가능한 모델 워크플로를 설계, 배포 및 관리합니다.

어디서나 매우 정확한 모델을 손쉽게 배포

자신감을 가지고 신속하게 배포합니다. 관리형 온라인 엔드포인트를 사용하여 기본 인프라를 관리할 필요 없이 강력한 CPU 및 GPU 머신에 모델을 배포합니다. 모델 프로파일링 및 유효성 검사 도구를 사용하여 모든 단계에서 모델을 신속하게 패키지하고 고품질을 보장합니다. 제어된 롤아웃을 통해 모델을 프로덕션으로 승격합니다.

전체 기계 학습 수명 주기를 효율적으로 관리

워크플로를 원활하게 관리 및 자동화하기 위해 Azure DevOps 및 GitHub Actions의 기본 제공 상호 운용성을 활용합니다. 모델 학습 및 배포 파이프라인을 최적화하고, CI/CD용으로 빌드하여 재학습을 용이하게 하고, 기계 학습을 기존 릴리스 프로세스에 쉽게 맞출 수 있습니다. 고급 데이터 드리프트 분석을 사용하여 시간이 지남에 따라 모델 성능을 개선합니다.

자산에서 거버넌스 달성

감사 기능을 위해 모델 버전 기록 및 계보를 추적합니다. 리소스에 대한 컴퓨팅 할당량을 설정하고 정책을 적용하여 보안, 개인 정보 보호 및 규정 준수 표준을 준수합니다. 고급 기능을 사용하여 거버넌스 및 제어 목표를 충족하고 모델 투명성과 공정성을 촉진합니다.

MLflow와의 상호 운용성 혜택

MLflow 및 Azure Machine Learning을 사용하여 유연하고 안전한 엔드투엔드 기계 학습 워크플로를 빌드하세요. 로컬 실행에서 인텔리전트 클라우드 및 에지로 기존 워크로드를 원활하게 확장할 수 있습니다. 중앙 집중식 Azure Machine Learning 작업 영역에 MLflow 실험을 저장하고 메트릭, 매개 변수 및 모델 아티팩트 실행합니다.

작업 영역 전체에서 공동 작업 MLOps 가속화

레지스트리를 사용하여 작업 영역 간 공동 작업 및 MLOps를 쉽게 수행할 수 있습니다. 중앙 위치에서 기계 학습 자산을 호스트하여 조직의 모든 작업 영역에서 사용할 수 있도록 하세요. 팀 전체에 걸쳐 모델, 환경, 구성 요소 및 데이터 세트를 알리고 공유하며 검색하세요. 계보 및 추적 기능을 그대로 유지하면서 파이프라인을 다시 사용하고 다른 작업 영역에서 팀이 만든 모델을 배포하세요.

작동 중인 기계 학습 운영 보기

모델 워크플로를 디자인, 배포. 관리하기 위한 기계 학습 파이프라인 빌드

모델 워크플로를 디자인, 배포. 관리하기 위한 기계 학습 파이프라인 빌드

모델 워크플로를 디자인, 배포. 관리하기 위한 기계 학습 파이프라인 빌드

자동 스케일링 및 관리되는 분산 유추 클러스터를 사용하여 자신 있는 방식으로 신속하게 배포

자동 스케일링 및 관리되는 분산 유추 클러스터를 사용하여 자신 있는 방식으로 신속하게 배포

자동 스케일링 및 관리되는 분산 유추 클러스터를 사용하여 자신 있는 방식으로 신속하게 배포

Azure DevOps 및 GitHub Actions 상호 운용하여 기계 학습 워크플로 자동화

Azure DevOps 및 GitHub Actions 상호 운용하여 기계 학습 워크플로 자동화

Azure DevOps 및 GitHub Actions 상호 운용하여 기계 학습 워크플로 자동화

기계 학습 프로젝트에서 거버넌스 및 비용 관리 개선

기계 학습 프로젝트에서 거버넌스 및 비용 관리 개선

기계 학습 프로젝트에서 거버넌스 및 비용 관리 개선

포괄적인 보안 및 규정 준수, 기본 제공

  • Microsoft는 사이버 보안 연구 및 개발에 매년 USD 10억 넘게 투자합니다.

  • Microsoft에 소속된 3,500명 이상의 보안 전문가가 데이터 보안 및 개인 정보 보호를 전담합니다.

  • Azure에는 기타 모든 클라우드 공급자보다도 많은 인증을 취득했습니다. 전체 목록을 확인하세요.

Azure 체험 계정 시작하기

무료로 시작하세요. 30일 이내에 사용할 수 있는 $200 크레딧을 받으세요. 크레딧이 있는 동안 40개 이상의 상시 무료 서비스와 함께 여러 가지 최고 인기 서비스를 무료로 받으세요.

크레딧을 받은 후 동일한 무료 서비스를 계속 사용하려면 종량제로 이동하세요. 무료 월간 금액보다 많이 사용한 경우에만 지불하세요.

12개월 후 후에도 40개 이상의 무료 서비스를 계속 이용할 수 있으며 월간 무료 금액을 초과하여 사용한 만큼만 비용을 지불합니다.

고객이 기계 학습 운영을 통해 가치를 제공하는 방법 확인

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."

Bikram Virk, FedEx의 AI 및 기계 학습 부문 제품 관리자
FedEx

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."

Alexandre Biazin, BRF 기술 이사
BRF

Nestle

"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, Nestlé Global Security Operations Center의 수석 데이터 과학자
Nestle Italia

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."

Michael Cleavinger, PepsiCo의 쇼핑객 인사이트, 데이터 과학 및 고급 분석 담당 선임 이사
PepsiCo

준비가 되셨다면 Azure 체험 계정을 설정해 볼까요?

무엇을 도와 드릴까요?