Forretningskritiske maskinlæringsmodeller i stor skala
Azure Machine Learning gir dataforskere og utviklere muligheten til å bygge, rulle ut og administrere modeller av høy kvalitet raskere og trygt. Det får fart på tiden det tar å oppnå verdi med bransjeledende maskinlæringsoperasjoner (MLOps), interoperabilitet med åpen kildekode og integrerte verktøy. Denne pålitelige plattformen er utformet for ansvarlige AI-programmer i maskinlæring.
Rask modellutvikling og -opplæring med integrerte verktøy og støtte for infrastruktur for kunstig intelligens.
Ansvarlig modellutvikling for kunstig intelligens med innebygd rettferdighet og forklaringsevne og ansvarlig bruk for forskriftssamsvar
Rask distribusjon, administrasjon og deling av maskinlæringsmodeller for samarbeid på tvers av arbeidsområder og MLOps
Innebygd styring, sikkerhet og forskriftssamsvar for kjøring av maskinlæringsarbeidsbelastninger hvor som helst
Støtte for maskinlæringslivssyklusen fra ende-til-ende
Datamerking
Merk opplæringsdata og administrer merkingsprosjekter.
Dataforberedelse
Bruk med analysemotorer for datautforsking og forberedelse.
Datasett
Få tilgang til data og opprett og del datasett.
Notatbøker
Bruk samarbeidsbaserte Jupyter-notatblokker med vedlagt databehandling.
Automatisert maskinlæring
Lær opp og finjuster nøyaktige modeller automatisk.
Dra-og-slipp-designer
Design med et dra-og-slipp-utviklingsgrensesnitt.
Eksperimenter
Kjør eksperimenter og opprett og del egendefinerte instrumentbord.
CLI og Python SDK
Akselerer modellopplæringsprosessen mens du skalerer opp og ut på Azure-databehandling.
Visual Studio Code og Github
Bruk velkjente verktøy og bytt enkelt fra lokal til skybasert opplæring.
Databehandlingsforekomst
Utvikle i et administrert og sikkert miljø med dynamisk skalerbar CPU-er, GPU-er og superdatabehandlingsklynger.
Biblioteker og rammeverk med åpen kildekode
Få innebygd støtte for Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib og mer.
Administrerte endepunkter
Distribuer modeller for bunke- og sanntidsutledning raskt og enkelt.
Datasamlebånd og CI/CD
Automatisering av arbeidsflyter for maskinlæring.
Forhåndsbygde avbildninger
Få tilgang til beholderavbildninger med rammeverk og biblioteker for slutning.
Modellrepositorium
Del og spor modeller og data.
Hybride skyer og flere skyer
Lær opp og distribuer modeller lokalt og på tvers av miljøer med flere skyer.
Optimaliser modeller
Få fart på opplæring og følgeslutning og reduser kostnadene med ONNX Runtime.
Overvåking og analyse
Spor, loggfør og analyser data, modeller og ressurser.
Datadrift
Oppdag drift og vedlikehold modellnøyaktighet.
Feilanalyse
Feilsøk modeller og optimaliser modellnøyaktighet.
revisjon
Spor maskinlæringsartefakter for samsvar.
Policyer
Bruk innebygde og egendefinerte policyer for samsvarsadministrasjon.
Sikkerhet
Gled deg over kontinuerlig overvåking med Azure Security Center.
Kostnadskontroll
Bruk kvotebehandling og automatisk avslutning.
Azure Machine Learning for dyplæring
Administrert ende-til-ende-plattform
Effektiviser hele livssyklusen for dyplæring og administrasjon av modeller, med opprinnelige MLOps-funksjoner. Kjør maskinlæring hvor som helst på en trygg måte, med sikkerhetsløsninger tilpasset store bedrifter. Reduser modellavvik og evaluer modeller med instrumentbordet, for å skape ansvarlig kunstig intelligens.
Alle utviklingsverktøy og rammeverk
Bygg modeller for dyplæring med IDE-er fra Visual Studio Code til Jupyter Notebooks, og i rammeverket du selv velger, med PyTorch og TensorFlow. Azure Machine Learning integreres med ONNX Runtime og DeepSpeed, for å optimalisere opplæringen og følgeslutningen.
Ytelse i verdensklasse
Dra nytte av spesialbygd infrastruktur for kunstig intelligens, som er unikt utformet for å kombinere de nyeste NVIDIA GPU-ene samt Mellanox Networking med InfiniBand-tilkoblinger på opptil 200 GB/s. Skaler opp til tusenvis av GPU-er i én enkelt klynge med enestående skala.
Få fart på tiden det tar å oppnå verdi med rask modellutvikling
Forbedre produktiviteten med studiofunksjonen, en utviklingsopplevelse som støtter alle maskinlæringsoppgaver, for å bygge, opplære og idriftsette modeller. Samarbeid med Jupyter-notatblokker ved hjelp av innebygd støtte for populære rammeverk og biblioteker med åpen kildekode. Opprett nøyaktige modeller kjapt med automatisert maskinlæring for tabulære, tekst- og bildemodeller ved bruk av funksjonsteknikk og hyperparameterrydding. Bruk Visual Studio Code for å gå fra lokal opplæring til skyopplæring på en enkelt måte, og autoskaler med kraftige skybaserte CPU- og GPU-klynger, som drives av NVIDIA Quantum InfiniBand-nettverk.
Skalert iverksetting med MLOps
Effektiviser utrullingen og administrasjonen av tusenvis av modeller i flere miljøer ved å bruke MLOps. Rull ut og vurder modeller raskere med totaladministrerte endepunkt for parti- og sanntidsprediksjoner. Bruk repeterbare datasamlebånd til å automatisere arbeidsflyter for kontinuerlig integrering og kontinuerlig levering (CI/CD). Del og oppdag maskinlæringsartefakter på tvers av flere team for samarbeid på tvers av arbeidsområder ved hjelp av registre. Overvåk måledata for modellytelse kontinuerlig, oppdag datadrift og utløs ny opplæring for å forbedre modellytelsen.
Lever ansvarlige maskinlæringsløsninger
Evaluer maskinlæringsmodeller med reproduserbare og automatiserte arbeidsflyter for å vurdere modellrettferdighet, forklaring, feilanalyse, årsaksanalyse, modellytelse og utforskingsbasert dataanalyse. Foreta reelle inngrep med årsaksanalyse i det ansvarlige AI-instrumentbordet og generer en målstyring på distribusjonstidspunktet. Kontekstualiser ansvarlige måledata for kunstig intelligens for både tekniske og ikke-tekniske målgrupper for å involvere interessenter og strømlinjeforme gjennomgang av forskriftssamsvar.
Innover på en hybridplattform som er sikrere og har bedre samsvar med forskriftene
Øk sikkerhet gjennom maskinlæringslivssyklusen med omfattende funksjoner som omfatter identitet, data, nettverk, overvåking og samsvar. Sikre løsninger som bruker egendefinert rollebasert tilgangskontroll, virtuelle nettverk, datakryptering, private endepunkter og private IP-adresser. Lær opp og rull ut modeller lokalt for å oppfylle krav til datasuverenitet. Styr med innebygde policyer og strømlinjeform samsvar med 60 sertifiseringer, inkludert FedRAMP High og HIPAA.
Utvikle maskinlæringskompetansen din med Azure
Få mer informasjon om maskinlæring i Azure og delta i praktiske opplæringer med en 30-dagers opplæringsreise. Til slutt er du klar for å ta sertifiseringen Azure Data Scientist Associate.
Viktige tjenestefunksjonaliteter for hele maskinlæringslivssyklusen
-
Datamerking
Opprett, administrer og overvåk merkingsprosjekter og automatiser gjentatte oppgaver med maskinlæringsassistert merking.
-
Dataforberedelse
Iterer kjapt dataforberedelse i stor skala på Apache Spark-klynger i Azure Machine Learning, som er interoperabel med Azure Synapse Analytics.
-
Samarbeidsbaserte notatblokker
Maksimer produktiviteten med IntelliSense, enkel databehandling og kjernebytting samt notatbokredigering uten nett. Start notatboken din i Visual Studio Code for å få en rikholdig utviklingsopplevelse, inkludert sikker feilsøking og støtte for Git-kildekontroll.
-
Automatisert maskinlæring
Opprett raskt nøyaktige modeller for klassifisering, regresjon, tidsserieprognoser, naturlige språkbehandlingsoppgaver og oppgaver for visuelt innhold. Bruk modelltolking for å forstå hvordan modellen ble bygd.
-
Dra og slipp-basert maskinlæring
Bruk maskinlæringsverktøy som utforming til datatransformasjon, modellopplæring og evaluering, eller til enkelt å opprette og publisere datasamlebånd for maskinlæring.
-
Forsterkningsopplæring
Skaler forsterkende læring til kraftige databehandlingsklynger, støtt scenarioer med flere agenter, og få tilgang til algoritmer, strukturer og miljøer med åpen kildekode for forsterkende læring.
-
Ansvarlig bygging
Få modellgjennomsiktighet ved læring og følgeslutning med tolkingsfunksjonalitet. Vurder modellrettferdighet gjennom forskjellsmåledata, og reduser urettferdighet. Gjør modellens pålitelighet bedre, og identifiser og diagnostiser modellfeil med verktøysettet for feilanalyse. Bidra til å beskytte data med differensiert personvern.
-
Eksperimentering
Administrer og overvåk kjøringer, eller sammenlign flere kjøringer for læring og eksperimentering. Opprett egendefinerte instrumentbord og del dem med teamet ditt.
-
Registre
Bruk repositorier for hele organisasjonen til å lagre og dele modeller, datasamlebånd, komponenter og datasett på tvers av flere arbeidsområder. Hent avstammings- og styringsdata automatisk med ved hjelp av funksjonen for revisjonssporing.
-
Git og GitHub
Bruk Git-integrasjon til å spore arbeid og GitHub Actions-støtte til å implementere maskinlæringsarbeidsflyter.
-
Administrerte endepunkter
Bruk administrerte endepunkter til å operasjonalisere modelldistribusjon og poenggiving, loggføre måledata og utføre sikre modellutrullinger.
-
Autoskalert databehandling
Bruk spesialbygde superdatamaskiner for kunstig intelligens, til å distribuere dyplæringstrening og raskt teste, validere og distribuere modeller. Del prosessor- og GPU-klynger i et arbeidsområde, og skaler automatisk for å dekke maskinlæringsbehovene.
-
Interoperer med andre Azure-tjenester
Få fart på produktiviteten med Microsoft Power BI og tjenester som Azure Synapse Analytics, Azure Cognitive Search, Azure Data Factory, Azure Data Lake, Azure Arc, Azure Security Center og Azure Databricks.
-
Støtte for hybrid sky og flere skyer
Kjør maskinlæring på eksisterende Kubernetes-klynger lokalt, i multiskymiljøer og på grensen med Azure Arc. Bruk den enkle maskinlæringsagenten med ett klikk til å starte opplæring av modeller på en sikrere måte, uansett hvor dataene dine befinner seg.
-
Sikkerhet på bedriftsnivå
Bygg og rull ut modeller på en sikrere måte med nettverksisolering og helhetlig privat IP-funksjonalitet, rollebasert tilgangskontroll for ressurser og handlinger, egendefinerte roller samt administrert identitet for databehandlingsressurser.
-
Kostnadsadministrasjon
Reduser IT-kostnader og administrere ressurstildelinger for databehandlingsforekomster på en bedre måte, med kvotegrenser for arbeidsområde og ressursnivå og automatisk avslutning.
Omfattende innebygd sikkerhet og forskriftssamsvar
-
Microsoft investerer mer enn 1 milliard USD årlig i forskning og utvikling på cybersikkerhet.
-
Vi har mer enn 3500 sikkerhetseksperter som bare jobber med datasikkerhet og personvern.
-
Azure har flere sertifiseringer enn noen annen skytjenesteleverandør. Se hele listen.
-
Betal bare for det du trenger – ingen forskuddskostnader
Kom i gang med en gratis Azure-konto
1
2
Etter kreditten kan du gå over til forbruksbasert betaling for å fortsette å utvikle med de samme gratistjenestene. Du betaler bare hvis du bruker mer enn det kostnadsfrie månedlige antallet.
3
Opprett nye modeller, og lagre databehandlingsmålene, modellene, utrullingene, måledataene og kjøringsloggene i skyen.
Bruk automatisert maskinlæring til å identifisere algoritmer og hyperparametere og spore eksperimenter i skyen. Opprett modeller ved å bruke notatbøker eller det dra og slipp-baserte utformingsverktøyet.
Distribuer maskinlæringsmodellen til skyen eller kanten, overvåk ytelse, og lær den opp på nytt ved behov.
Kunder som bruker Azure Machine Learning
"Vi prøver stadig ut nye ideer og jobber for å differensiere AXA UK tydelig fra andre forsikringsselskaper. Vi ser administrerte endepunkter i Azure Machine Learning som en viktig tilrettelegger for vår digitale ambisjon."
Nic Bourven, Chief Information Officer, AXA UK
"Kundene forventer nøyaktig informasjon om pakkene sine og en databasert leveringsopplevelse. Vi hjelper FedEx med å holde seg i teten med Azure Machine Learning, og vi bygger ekspertise for fremtidige prosjekter."
Bikram Virk, produktadministrator, kunstig intelligens og maskinlæring, FedEx
"Ettersom flere av gruppene våre er avhengige av Azure Machine Learning-løsningen, kan finanseksperter fokusere mer på oppgaver på høyere nivå og bruke mindre tid på manuell datainnsamling og inndata."
Jeff Neilson, Data Science Manager, 3M
i
"Med Azure Machine Learning kan vi vise pasienten en risikopoengsum som er svært skreddersydd til deres individuelle omstendigheter. …Til syvende og sist har vi som mål å redusere risikoen, redusere usikkerheten og forbedre kirurgiske resultater."
Professor Mike Reed, Clinical Director, Trauma & Orthopedics, Northumbria Healthcare NHS Foundation Trust
1
"Vi har brukt MLOps-funksjonene i Azure Machine Learning til å forenkle hele maskinlæringsprosessen. Dette gjør at vi kan fokusere mer på datavitenskap og la Azure Machine Learning ta hånd om ende-til-ende-operasjonalisering."
Michael Cleavinger, seniordirektør for datavitenskap om forbrukerinnsikt og avansert analyse, PepsiCo
.
"Bruk av funksjoner for automatisert maskinlæring i Azure Machine Learning for oppretting av maskinlæringsmodell gjorde det mulig for oss å realisere et miljø der vi kan opprette og eksperimentere med ulike modeller fra flere perspektiver."
Keiichi Sawada, Corporate Transformation Division, Seven Bank
Azure Machine Learning-ressurser
Avansert opplæring
Lær opp og rull ut automatiserte maskinlæringsmodeller
Se nærmere på MLOps-eksempler i GitHub
Bruk utformingsverktøyet til prediksjon
Tolk og forklar maskinlæringsmodeller
Tolk og forklar automatiserte maskinlæringsmodeller
Bruk Python-SDK for automatisert maskinlæring
Bruk grensesnittet for automatisert maskinlæring
Tren en tidsseriemodell automatisk
Tren en modell for objektgjenkjenning automatisk
Tren opp en modell for behandling av naturlig språk automatisk
Aktuelle videoer
Forhåndsbygde Docker-avbildninger for følgeslutning
Kjør maskinlæring hvor som helst
Demokratiser kunstig intelligens med utformingsverktøyet for maskinlæring
Finn ut hvordan du blir en ekspert i maskinlæring
Notebooks for Azure Machine Learning Studio
Administrer ressurser, artefakter og kode
Veildning for mestring av Azure Machine Learning
Lær deg ekspertteknikker for bygging av automatiserte og svært skalerbare komplette maskinlæringsmodeller og datasamlebånd i Azure ved bruk av TensorFlow, Spark og Kubernetes.
Teknisk dokument for utvikling av MLOps
Oppdag en systematisk tilnærming til bygging, utrulling og overvåking av maskinlæringsløsninger med MLOps. Bygg, test og administrert produksjonsklare maskinlæringslivssykluser kjapt i stor skala.
Forrester Total Economic ImpactTM (TEI)-studie
Studien fra Forrester Consulting Total Economic ImpactTM (TEI), bestilt av Microsoft, undersøker den potensielle investeringsavkastningen (ROI) som organisasjoner kan realisere med Azure Machine Learning.
Teknisk dokument om maskinlæringsløsninger
Finn ut hvordan du bygger sikre, skalerbare og likeverdige løsninger.
Teknisk dokument om ansvarlig kunstig intelligens
Les om verktøy og metoder for å forstå, beskytte og kontrollere modellene dine.
Teknisk dokument om maskinlæringsoperasjoner (MLOps)
Få fart på prosessen med å bygge, lære opp og rulle ut modeller i stor skala.
Teknisk dokument for Azure Arc-aktivert maskinlæring
Finn ut hvordan du bygger, lærer opp og ruller ut modeller i hvilken som helst infrastruktur.
Vanlige spørsmål om Azure Machine Learning
-
Tjenesten er generelt tilgjengelig i flere land/områder, og mer er på vei.
-
Serviceavtalen (SLA) for Azure Machine Learning er 99,9 prosent oppetid.
-
Azure Machine Learning Studio er en ressurs for maskinlæring på øverste nivå. Denne funksjonaliteten gir dataforskere og utviklere et sentralisert sted å jobbe med artefaktene for bygging, opplæring og utrulling av maskinlæringsmodeller.