Nye funksjoner for Azure Machine Learning er nå i forhåndsversjon

Funksjonene omfatter blant annet følgende:

• Open Datasets – Open Datasets er en samling datasett fra det offentlige domenet som brukes til raskere utvikling av maskinlæringsmodeller som bygges i Azure. Open Datasets integreres med Machine Leaning Studio eller kan åpnes fra Python-notatblokker i Azure Machine Learning Service. Azure Open Datasets tilbyr data av god kvalitet fra det offentlige domenet som det ofte er vanskelig å finne og dyrt å kuratere. Datateknikere blir mer produktive når de kan konsentrere seg om å bygge modeller heller enn å forberede data.
• Visuelt grensesnitt : Det nye visuelle grensesnittet for Azure Machine Learning legger til muligheten for dra og slipp-arbeidsflyt i Azure Machine Learning Service. Det forenkler prosessen med å bygge, teste og distribuere maskinlæringsmodeller for kunder som foretrekker en visuell opplevelse over en kodeopplevelse. Denne integrasjonen henter det beste fra ML Studio og AML-tjenesten samlet. Med dra og slipp-opplevelsen kan datateknikeren raskt bygge en modell uten koding. Verktøyet gir også nok fleksibilitet til at datateknikeren kan finjustere modellen. Med AML-tjenesten som serverdelplattform får du skalerbarheten, sikkerheten og feilsøkbarheten … som ML Studio ikke kan gi. Den enkle distribusjonsfunksjonen i visuelt grensesnitt gjør det enkelt å generere score.py-fil og opprette bilder. Med noen få klikk kan en opplært modell distribueres til en hvilken som helst AKS-klynge som er forbundet med AML-tjenesten.
• Automatisert ML – brukeropplevelse: 
  • Distribuer som nettjenester for å forutsi på nye data
  • Få den beste modellen for klassifisering, regresjon eller prognose av problemer med noen få klikk
  • Analyser de genererte modellene
  • Amatørdatateknikere: Generer ML-modeller uten å skrive Python-kode (eller noen slags kode). Datateknikere: Utforsk og generer hundrevis av modeller raskt, deretter fortsett å optimalisere de beste i Jupyter Notebook
• Notatblokk-VM-er: Azure Machine Learning kommer i privat forhåndsversjon med en driftet notatblokktjeneste i midten av april, og vi forventer å ta dette til offentlig forhåndsversjon i mai. Driftede notatblokker gir en code-first-tilnærming hvor brukere kan utføre alle operasjoner som støttes av Python SDK i Azure Machine Learning, ved hjelp av den velkjente Jupyter Notebook. Driftede notatblokker forenkler prosessen med å komme i gang ved å gi et sikkert, bedriftsklart miljø for ML-utøvere. I den private forhåndsversjonen kan kundene: få tilgang til en notatblokk som er integrert i Azure ML-arbeidsområdet, bruke forhåndskonfigurerte Azure ML-notatblokker som ikke krever konfigurasjon, fullstendig tilpasse notatblokk-VM-ene, inkludert evnen til å legge til pakker og drivere.

​Nå kan du bruke MLflow med Azure Machine Learning-arbeidsområdet til å logge måledata og artefakter fra opplæringen i en sentralisert, sikker, skalerbar plassering. MLflow-sporing kan utføres fra den lokale maskinen, en virtuell maskin eller et eksternt databehandlingsmiljø.

• Data Box Edge med FPGA: FPGA-er er et slutningsalternativ for maskinlæring, basert på Project Brainwave, en maskinvarearkitektur fra Microsoft. Datateknikere og utviklere kan bruke FPGA-er til å fremskynde AI-beregninger i sanntid. Disse maskinvareakselererte modellene er nå generelt tilgjengelige i skyen sammen med en forhåndsversjon av modeller distribuert til Data Box Edge. FPGA-er gir ytelse, fleksibilitet og skala og er bare tilgjengelig gjennom Azure Machine Learning. De gjør det mulig å oppnå lav ventetid for slutningsforespørsler i sanntid og reduserer dermed behovet for asynkrone forespørsler (satsvis kjøring).