이제 Azure Machine Learning의 새 기능이 미리 보기로 제공됨
게시된 날짜: 5월 06, 2019
기능은 다음과 같습니다.
- Open Datasets - Open Datasets는 Azure에 기본 제공되는 기계 학습 모델 개발을 가속화하기 위한 공용 도메인의 데이터 세트 컬렉션입니다. Open Datasets는 Machine Learning Studio와 통합되거나 Azure Machine Learning Service의 Python Notebooks에서 액세스할 수 있습니다. Azure Open Datasets는 공용 도메인에서 높은 품질의 데이터를 제공하기 때문에 찾기가 쉽지 않으며 선별에 큰 비용이 듭니다. 데이터 과학자들은 데이터 준비보다 모델 빌드에 더 집중하게 될 것입니다.
- 그래픽 인터페이스: Azure Machine Learning을 위한 새로운 그래픽 인터페이스에는 Azure Machine Learning Service에 끌어서 놓기 워크플로 기능이 추가되었습니다. 이 기능은 코딩 환경보다 시각적 환경을 선호하는 고객을 위해 기계 학습 모델을 빌드, 테스트 및 배포하는 프로세스를 간소화합니다. 이러한 통합은 ML Studio와 AML 서비스의 장점을 모두 제공합니다. 끌어서 놓기 환경을 통해 모든 데이터 과학자는 코딩하지 않고도 신속하게 모델을 빌드할 수 있습니다. 또한 데이터 과학자는 이 도구를 사용하여 모델을 유연하게 미세 조정할 수 있습니다. 백 엔드 플랫폼으로서의 AML 서비스는 ML Studio가 지원할 수 없는 모든 확장성, 보안, 디버그 효율성을 제공합니다. 그래픽 인터페이스의 쉬운 배포 기능을 통해 score.py 파일을 쉽게 생성하고 이미지를 만들 수 있습니다. 몇 번의 클릭만으로 학습된 모델을 AML 서비스와 연결된 AKS 클러스터에 배포할 수 있습니다.
- 자동화된 ML – UX:
- 새 데이터를 예측하는 웹 서비스로 배포
- 단추를 몇 번만 클릭하여 분류, 회귀 또는 예측 문제에 대한 최상의 모델 얻기
- 생성된 모델 분석
- 시민 데이터 과학자: Python 코드(또는 코드인 경우 어떤 유형이든 가능)를 작성할 필요 없이 ML 모델을 생성합니다. 데이터 과학자: 수백 가지 모델을 빠르게 검색 및 생성한 다음, Jupyter Notebook에서 최상의 모델을 계속 최적화합니다.
- Notebook VM: Azure Machine Learning은 4월 중순에 호스티드 Notebook 서비스를 통해 프라이빗 미리 보기로 진행될 예정이며 5월에 공개 미리 보기로 진행됩니다. 호스티드 Notebook은 익숙한 Jupyter Notebook을 사용하여 Azure Machine Learning Python SDK가 지원하는 모든 작업을 사용자가 수행할 수 있는 코드 우선 환경을 제공합니다. 호스티드 Notebook은 ML 전문가를 위한 안전한 엔터프라이즈급 환경을 제공하여 시작 프로세스를 간소화합니다. 프라이빗 미리 보기에서 고객은 Azure ML 작업 영역에 통합된 Notebook에 액세스하고, 설정이 필요 없는 미리 구성된 Azure ML Notebook을 사용하여 패키지 및 드라이버를 추가할 수 있는 기능이 포함된 Notebook VM을 완전하게 사용자 지정할 수 있습니다.
이제 Azure Machine Learning 작업 영역에서 MLflow를 사용하여 중앙의 안전하고 확장 가능한 위치에서 실행하는 교육의 메트릭 및 아티팩트를 기록할 수 있습니다. MLflow 추적은 로컬 머신, 가상 머신 또는 원격 컴퓨팅 환경에서 수행할 수 있습니다.
- FPGA가 포함된 Data Box Edge: FPGA는 Microsoft의 하드웨어 아키텍처인 Project Brainwave를 기반으로 하는 기계 학습 유추 옵션입니다. 데이터 과학자와 개발자는 FPGA를 사용하여 실시간 AI 계산 시간을 가속화할 수 있습니다. 이제 이 하드웨어 가속 모델은Data Box Edge에 배포된 모델의 미리 보기와 함께 클라우드에 일반 공급됩니다. FPGA는 성능, 유연성, 크기 조정 기능을 제공하며 Azure Machine Learning을 통해서만 이용할 수 있습니다. FPGA를 통해 실시간 유추 요청의 대기 시간을 절감하여 비동기 요청(일괄 처리)의 필요성을 줄일 수 있습니다.