Azure Machine Learning

Maskinlæringstjeneste i enterprise-klassen for å bygge og distribuere modeller raskere

Fremskynd maskinlæringslivssyklusen fra ende-til-ende

Gi utviklere og dataforskere et bredt utvalg av produktive opplevelser for raskere bygging, opplæring og distribuering av maskinlæringsmodeller. Raskere tid til marked og frem teamsamarbeid med bransjeledende MLOps—DevOps for maskinlæring. Vær kreativ på en sikker, anerkjent plattform designet for ansvarlig maskinlæring.

Maskinlæring for alle kompetansenivåer

Produktivitet for alle kompetansenivåer – kod med innebygde samarbeidsnotatbøker og bruk Jupyter med bare ett klikk, bruk dra-og-slipp-designverktøyet, eller bruk automatisert maskinlæring for raskere modellutvikling.

Helhetlige MLOps

Robust MLOps-funksjonalitet som integreres med eksisterende DevOps-prosesser og bidrar til å administrere hele livssyklusen for maskinlæring.

Avansert, ansvarlig maskinlæring

Funksjonalitet for ansvarlig maskinlæring: Forstå modeller med tolkning og rettferdighet, beskytt data med differensiert personvern og konfidensiell databehandling, og kontroller maskinlæringslivssyklusen med revisjonslogger og dataark.

Åpen og interoperabel løsning

Førsteklasses støtte for strukturer og språk med åpen kildekode, blant annet MLflow, Kubeflow, ONNX, PyTorch, TensorFlow, Python og R.

Øk produktiviteten med maskinlæring for alle typer kompetanse

Bygg og distribuer raskt maskinlæringsmodeller ved hjelp av verktøy som oppfyller behovene dine uavhengig av kompetansenivå. Få tilgang til innebygde notatbøker i studioet ved å bruke Jupyter med bare ett klikk. Start databehandlingen raskt i notatbøker, og bytt databehandling og kjerner på en enkel måte. Bruk IntelliSense og koderedigeringsfunksjonalitet i notatbøker, og del og samarbeid med teamet ditt. Bruk det kodefrie designverktøyet for å komme i gang med visuell maskinlæring eller opprett modeller raskere med automatisert maskinlæring, og få tilgang til innebygd funksjonsteknikk, algoritmevalg og hyperparametersøk for å utvikle svært nøyaktige modeller.

Skalert iverksetting med MLOps

MLOps eller DevOps for maskinlæring, effektiviserer maskinlæringslivssyklusen, fra bygging av modeller til distribusjon og administrering. Bruk ML-datasamlebånd for å bygge repeterbare arbeidsflyter og bruk en rik modellkatalog for å spore ressursene dine. Administrer produksjonsarbeidsflyt i rett skala ved å bruke avanserte varsler og automatiseringsfunksjoner for maskinlæring. Profiler, valider og distribuer maskinlæringsmodeller hvor som helst, fra skyen til kanten, for å administrere ML-produksjonsarbeidsflyter i rett skala på en foretaksklar måte.

Skap ansvarlige maskinlæringsløsninger

Få tilgang til avanserte og ansvarlige maskinlæringsfunksjoner for å forstå, beskytte og styre dataene, modellene og prosessene dine. Forklar modellatferd under læringsprosessen og følgeslutningen og utvikle rettferdige løsninger ved å påvise og begrense bias i modellene. Bevar datasikkerheten i hele maskinlæringsprosessen med differensielle personvernteknikker, og bruk konfidensiell databehandling for å sikre maskinlæringsressurser. Vedlikehold revisjonsloggen automatisk, spor avstamming og bruk modelldataark for å gi mulighet for ansvarlighet.

Vær kreativ på en åpen og fleksibel plattform

Få innebygd støtte for verktøy med åpen kildekode og rammeverk for opplæring og slutning i maskinlæringsmodell. Bruk kjente rammeverk som PyTorch, TensorFlow og scikit-learn, eller det åpne og interoperative ONNX-formatet. Velg utviklingsmiljøer som passer best med dine behov, inkludert populære integrerte utviklingsmiljøer, Jupyter-notebooks og kommandolinjergensesnitt—eller språk som Python og R. Bruk ONNX Runtime for å optimalisere og forbedre slutninger på tvers av sky- og kantenheter.

Avansert sikkerhet og styring

  • Få sikkerhet fra grunnen av og utvikle på en anerkjent sky med Azure.
  • Beskytt tilgangen til ressursene dine med detaljert rollebasert tilgang, tilpassede roller og innebygde mekanismer for identitetsgodkjenning.
  • Utvikle, lær opp og rull ut modeller på en sikker måte ved å isolere nettverket med virtuelle nettverk og private koblinger.
  • Administrer styring med policyer, revisjonslogger, kvoter og kostnadsadministrasjon.
  • Effektiviser overholdelsen av regler og standarder med en omfattende portefølje som dekker 60 sertifiseringer, blant annet FedRAMP High og DISA IL5.

Viktige tjenesteegenskaper

Samarbeidsbaserte notatblokker

Innebygde notatbøker med bruk av Jupyter med bare ett klikk. Øk produktiviteten maksimalt med intelligens, enkel databehandlingsoppstart og kjernebytte samt notatbokredigering uten nett.

Automatisert ML

Opprett raskt nøyaktige modeller for klassifisering, regresjon og tidsserieprognoser. Bruk modelltolking for å forstå hvordan modellen ble bygd.

Dra-og-slipp-maskinlæring

Bruk utformingsverktøyet med moduler til datatransformasjon, modellopplæring og evaluering, eller til å opprette og publisere datasamlebånd for maskinlæring med noen klikk.

Datamerking

Klargjør data raskt, administrer og overvåk merkingsprosjekter og automatiser gjentatte oppgaver med maskinlæringsassistert merking.

MLOps

Bruk det sentrale registeret til å lagre og spore data, modeller og metadata. Samle avstammings- og styringsdata automatisk. Bruk Git til å spore arbeid og GitHub Actions til å implementere arbeidsflyter. Administrer og overvåk kjøringer, eller sammenlign flere kjøringer for læring og eksperimentering.

Autoskalert databehandling

Bruk administrert databehandling til å distribuere læring og raskt teste, validere og rulle ut modeller. Prosessor- og GPU-klynger kan deles i et arbeidsområde og automatisk skaleres for å dekke behovene for maskinlæring.

RStudio integrasjon

Innebygd R-støtte og integrasjon med RStudio Server (utgave med åpen kilde) for utvikling og utrulling av modeller og overvåking av kjøringer.

Dyp integrasjon med andre Azure-tjenester

Få fart på produktiviteten med innebygd integrasjon med Azure-tjenester som Azure Synapse Analytics, Cognitive Search, Power BI, Azure Data Factory, Azure Data Lake og Azure Databricks.

Forsterkningsopplæring

Skaler forsterkende læring til kraftige databehandlingsklynger, støtt scenarioer med flere agenter, og få tilgang til algoritmer med åpen kilde, strukturer og miljøer for forsterkende læring.

Ansvarlig maskinlæring

Få modellgjennomsiktighet ved læring og følgeslutning med tolkingsfunksjonalitet. Vurder modellrettferdighet gjennom forskjellsmåledata, og reduser urettferdighet. Beskytt data med differensiert personvern.

Sikkerhet i foretaksklassen

Utvikle og rull ut modeller på en sikker måte med funksjonalitet som nettverksisolering og Private Link, rollebasert tilgangskontroll for ressurser og handlinger, tilpassede roller samt administrert identitet for databehandlingsressurser.

Kostnadsadministrasjon

Administrer ressursallokering for Azure Machine Learning Compute med kvotegrenser på arbeidsområde- og ressursnivå.

Betal bare for det du trenger – ingen forskuddskostnader

For detaljer, gå til Azure Machine Learning-prissiden.

Hvordan bruke Azure Machine Learning

Gå til din studiowebopplevelse

Utvikling og trening

Distribuer og administrer

Trinn 1 av 1

Du kan være forfatter for nye modeller og lagre databehandlingsmålene, modellene, distribusjonene, måledataene og kjørehistorikkene i skyen.

Trinn 1 av 1

Bruk automatisert maskinlæring til å identifisere algoritmer og hyperparametere og spore eksperimenter i skyen. Du kan også være forfatter for modeller ved å bruke bærbare PC-er eller dra og slipp-designeren.

Trinn 1 av 1

Distribuer maskinlæringsmodellen til skyen eller kanten, overvåk ytelse, og lær den opp på nytt ved behov.

Begynn å bruke Azure Machine Learning i dag

Få øyeblikkelig tilgang og en kredit på $200 ved å registrere deg for en gratis Azure-konto.

Logg deg på Azure Portal.

Kunder som bruker Azure Machine Learning

"The model we deployed on Azure Machine Learning helped us choose the three new retail locations we opened in 2019. Those stores exceeded their revenue plans by over 200 percent in December, the height of our season, and within months of opening were among the best-performing stores in their districts."

Jolie Vitale: Director of BI and Analytics, Carhartt
Carhartt

Scandinavian Airlines

Ved å bruke Azure Machine Learning kan SAS nøyaktig identifisere svindel med en effektivitet som ikke var mulig med manuelle metoder. Når det gjelder registrering av tidligere flyreiser for EuroBonus-poeng, noe som er en vanlig kilde til svindel, forutser det nye systemet svindel med 99 prosents nøyaktighet.

Scandinavian Airlines

"If I have 200 models to train—I can just do this all at once. It can be farmed out to a huge compute cluster, and it can be done in minutes. So I'm not waiting for days."

Dean Riddlesden, Seniordataforsker, Global analyse, Walgreens Boots Alliance
Walgreens Boots Alliance

"We see Azure Machine Learning and our partnership with Microsoft as critical to driving increased adoption and acceptance of AI from the regulators."

Alex Mohelsky: Partner and Advisory Data, Analytic, and AI Leader, EY Canada
EY

"The automated machine learning capabilities in Azure Machine Learning save our data scientists from doing a lot of time-consuming work, which reduces our time to build models from several weeks to a few hours."

Xiaodong Wang: Chief Executive Officer, TalentCloud
TalentCloud

Oppdateringer, blogger og kunngjøringer for Azure Machine Learning

Vanlige spørsmål om Azure Machine Learning

  • Tjenesten er generelt tilgjengelig i flere land/områder, med mer underveis.
  • Serviceavtalen (SLA) for Azure Machine Learning er 99,9 prosent.
  • Studioet for Azure Machine Learning Service er en ressurs på øverste nivå for maskinlæringstjenesten. Det gir et sentralisert sted for dataforskere og utviklere å jobbe med artefaktene for bygging, opplæring og distribuering av maskinlæringsmodeller.

Klar når du er – la oss konfigurere gratiskontoen din