Azure Machine Learning
Een service op bedrijfsniveau gebruiken voor de end-to-end machine learning-levenscyclus
Bedrijfskritieke machine learning-modellen op schaal
Met Azure Machine Learning kunnen gegevenswetenschappers en ontwikkelaars sneller en met vertrouwen hoogwaardige modellen bouwen, implementeren en beheren. Het versnelt de tijd tot waarde met toonaangevende machine learning-uitvoeringen (MLOps), opensource-interoperabiliteit en geïntegreerde hulpprogramma's. Dit vertrouwde platform is ontworpen voor verantwoordelijke AI-toepassingen in machine learning.
Snelle modelontwikkeling en -training, met geïntegreerde hulpprogramma's en ondersteuning voor het opensource-framewerk en bibliotheken
Verantwoordelijke ontwikkeling van AI-modellen met ingebouwde verdeling en uitlegbaarheid en verantwoordelijk gebruik voor naleving
Snelle implementatie, beheer en delen van ML-modellen voor samenwerking tussen werkruimten en MLOps
Ingebouwde governance, beveiliging en naleving voor het overal uitvoeren van machine learning-workloads
Ondersteuning voor de end-to-end-levenscyclus van machine learning
Gegevenslabels
Trainingsgegevens labelen en labelprojecten beheren.
Gegevensvoorbereiding
Integreer met analyse-engines voor het verkennen en voorbereiden van gegevens.
Gegevenssets
Toegang tot gegevens, en gegevenssets maken en delen.
Notebooks
Gebruik samenwerkende Jupyter-notebooks met gekoppeld rekenproces.
Geautomatiseerde machine learning
Automatisch nauwkeurige modellen trainen en afstemmen.
Ontwerpfunctie voor slepen en neerzetten
Ontwerp met de ontwikkelinterface voor slepen en neerzetten.
Experimenten
Voer experimenten uit, en maak en deel aangepaste dashboards.
CLI en Python SDK
Versnel het modeltrainingsproces terwijl u omhoog en uitschaalt op Azure Compute.
Visual Studio Code en GitHub
Gebruik bekende hulpprogramma's en schakel eenvoudig over van lokale naar cloudtraining.
Rekenproces
Ontwikkel in een beheerde en veilige omgeving met cloud-CPU's, GPU's en supercomputing-clusters.
Opensource-bibliotheken en -frameworks
Krijg ingebouwde ondersteuning voor Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib en meer.
Beheerde eindpunten
Implementeer snel en eenvoudig modellen voor batch- en realtime deductie.
Pijplijnen en CI/CD
Automatiseer machine learning-werkstromen.
Vooraf gemaakte installatiekopieën
Krijg toegang tot containerinstallatiekopieën met frameworks en bibliotheken voor deductiedoeleinden.
Modelopslagplaats
Modellen en gegevens delen en bijhouden.
Hybride en multicloud
Modellen on-premises en in omgevingen met meerdere clouds trainen en implementeren.
Modellen optimaliseren
Versnel training en deductie en verlaag de kosten met ONNX Runtime.
Bewaking en analyse
Gegevens, modellen en resources bijhouden, vastleggen en analyseren.
Gegevensdrift
Drift detecteren en modelnauwkeurigheid behouden.
Foutenanalyse
Fouten opsporen in modellen en modelnauwkeurigheid optimaliseren.
Controleren
Traceer machine learning-artefacten voor naleving.
Beleid
Maak gebruik van ingebouwd en aangepast beleid voor nalevingsbeheer.
Beveiliging
Profiteer van continue bewaking met Azure Security Center.
Kostenbeheer
Quotumbeheer en automatisch afsluiten toepassen.
Versnel de tijd tot waarde met snelle modelontwikkeling
De productiviteit verbeteren met de studiomogelijkheden, een ontwikkelervaring die alle machine learning-taken ondersteunt, voor het bouwen, trainen en implementeren van modellen. Werk samen met Jupyter Notebooks met behulp van ingebouwde ondersteuning voor populaire opensource-frameworks en bibliotheken. Maak snel nauwkeurige modellen met geautomatiseerde machine learning voor tabellaire, tekst- en afbeeldingsmodellen met behulp van feature engineering en hyperparameter sweeping. Gebruik Visual Studio Code om naadloos van lokaal naar cloudtraining te gaan en automatisch te schalen met krachtige CPU- en GPU-clusters in de cloud.
Op schaal operationeel maken met MLOps
Stroomlijn de implementatie en het beheer van duizenden modellen in meerdere omgevingen met behulp van MLOps. Implementeer en score modellen sneller met volledig beheerde eindpunten voor batch- en realtime voorspellingen. Herhaalbare pijplijnen gebruiken om werkstromen te automatiseren voor continue integratie en continue levering (CI/CD). Deel en ontdek machine learning-artefacten in meerdere teams voor samenwerking tussen werkruimten met behulp van registers. Continu metrische gegevens over modelprestaties bewaken, gegevensdrift detecteren en opnieuw trainen activeren om de modelprestaties te verbeteren.
Verantwoordelijke machine learning-oplossingen leveren
Evalueer machine learning-modellen met reproduceerbare en geautomatiseerde werkstromen om modelverdeling, uitlegbaarheid, foutanalyse, causale analyse, modelprestaties en verkennende gegevensanalyse te beoordelen. Maak praktijkgerichte interventies met causale analyse in het verantwoordelijke AI-dashboard en genereer een scorecard tijdens de implementatie. Contextualiseer metrische gegevens over verantwoordelijke AI voor zowel technische als niet-technische doelgroepen om belanghebbenden te betrekken en compliancebeoordeling te stroomlijnen.
Innoveren op een hybride platform dat veiliger en compatibeler is
Verhoog de beveiliging gedurende de machine learning levenscyclus met uitgebreide mogelijkheden voor identiteit, gegevens, netwerken, bewaking en naleving. Beveilig oplossingen met aangepast op rollen gebaseerd toegangsbeheer, virtuele netwerken, gegevensversleuteling, privé-eindpunten en privé-IP-adressen. Train en implementeer modellen on-premises om te voldoen aan de vereisten voor gegevenssoevereiniteit. Beheer met ingebouwd beleid en stroomlijn de naleving met 60 certificeringen, waaronder FedRAMP High en HIPAA.
Ontwikkel uw vaardigheden op het gebied van machine learning met Azure
Ontdek meer over machine learning in Azure en neem deel aan praktijkgerichte zelfstudies met dit leertraject van 30 dagen. Aan het einde bent u goed voorbereid voor de Azure Data Scientist Associate-certificering.
Belangrijke servicemogelijkheden voor de volledige machine learning-levenscyclus
Gegevenslabels
Maak, beheer en bewaak labelingprojecten en automatiseer iteratieve taken met door machine learning ondersteunde labeling.
Gegevensvoorbereiding
Itereer snel gegevensvoorbereiding op schaal op Apache Spark-clusters binnen Azure Machine Learning, die compatibel zijn met Azure Synapse Analytics.
Samenwerkingsnotebooks
Maximaliseer productiviteit met IntelliSense, eenvoudig overschakelen tussen compute en kernel, en offline notebookbewerkingen. Start uw notebook in Visual Studio Code voor een uitgebreide ontwikkelingservaring, waaronder veilige foutopsporing en ondersteuning voor beheer van Git-bronnen.
Geautomatiseerde machine learning
Maak snel nauwkeurige modellen voor classificatie, regressie, prognose van tijdreeksen, verwerkingstaken voor natuurlijke taal en Computer Vision-taken. Gebruik de interpreteerbaarheid van modellen om te begrijpen hoe het model is gebouwd.
Machine learning slepen en neerzetten
Gebruik hulpmiddelen voor machine learning, zoals Designer, voor gegevenstransformatie, modeltraining en evaluatie, of om eenvoudig machine learning-pijplijnen te maken en te publiceren.
Bekrachtigend leren
Schaal bekrachtigend leren naar krachtige rekenclusters, ondersteun scenario's met meerdere agenten en krijg toegang tot opensource-algoritmen voor bekrachtigend leren, frameworks en omgevingen.
Verantwoord bouwen
Krijg modeltransparantie tijdens training en deductie met interpretatiemogelijkheden. Evalueer de eerlijkheid van het model door middel van gegevens over de pariteit en verminder oneerlijkheid. Verbeter de betrouwbaarheid van het model en identificeer en diagnosticeer modelfouten met de toolkit voor foutanalyse. Beveilig gegevens met differentiële privacy.
Experimenteren
Beheer en controleer uitvoeringen of vergelijk meerdere uitvoeringen voor training en experimenten. Maak aangepaste dashboards en deel deze met uw team.
Registers
Gebruik opslagplaatsen voor de hele organisatie om modellen, pijplijnen, onderdelen en gegevenssets in meerdere werkruimten op te slaan en te delen. Leg automatisch herkomst- en governancegegevens vast met behulp van de audittrailfunctie.
Git en GitHub
Gebruik Git-integratie om werk en GitHub Actions-ondersteuning op te volgen om ML-werkstromen te implementeren.
Beheerde eindpunten
Gebruik beheerde eindpunten om de implementatie en scores van modellen te operationaliseren, metrische gegevens vast te leggen en veilige modelimplementaties uit te voeren.
Automatisch schalen van berekeningen
Gebruik beheerde compute om training te distribueren en modellen snel te testen, valideren en implementeren. CPU- en GPU-clusters in een werkruimte delen en automatisch schalen om te voldoen aan uw machine learning-behoeften.
Interoperabiliteit met andere Azure-services
Verhoog de productiviteit met Microsoft Power BI en services zoals Azure Synapse Analytics, Azure Cognitive Search, Azure Data Factory, Azure Data Lake, Azure Arc, Azure Security Center en Azure Databricks.
Ondersteuning voor hybride clouds en meerdere clouds
Voer machine learning uit op bestaande Kubernetes-clusters on-premises in omgevingen met meerdere clouds en aan de rand met Azure Arc. Gebruik de eenvoudige machine learning-agent om modellen veiliger te trainen, waar uw gegevens ook maar zijn opgeslagen.
Beveiliging op bedrijfsniveau
Bouw en implementeer modellen veiliger met netwerkisolatie- en end-to-end privé-IP-mogelijkheden, op rollen gebaseerd toegangsbeheer voor resources en acties, aangepaste rollen en beheerde identiteiten voor rekenresources.
Kostenbeheer
Verlaag IT-kosten en beheer resourcetoewijzingen beter voor rekenprocessen met quotumlimieten en automatisch afsluiten op niveau van werkruimten en resources en.
Azure Machine Learning beheersen
Leer technieken voor experts om geautomatiseerde en uiterst schaalbare end-to-end machine learning-modellen en -pijplijnen in Azure te bouwen met TensorFlow, Spark en Kubernetes.
MLOps-engineering technisch document
Ontdek een nieuwe systematische aanpak voor het bouwen, implementeren en bewaken van machine learning-oplossingen met MLOps. Bouw, test en beheer snel machine learning-levenscyclussen op schaal klaar voor productie.
The Forrester WaveTM 2020 rapport
Zie waarom Forrester Microsoft Azure Machine Learning toonaangevend noemt in The Forrester WaveTM: Op notitieblokken gebaseerde predictive analytics en machine learning, Q3 2020.
Forrester Total Economic ImpactTM-studie
De studie Forrester Consulting Total Economic ImpactTM, in opdracht van Microsoft, onderzoekt het mogelijke rendement op investeringen (ROI) dat ondernemingen met Azure Machine Learning kunnen realiseren.
Machine Learning-oplossingen technisch document
Meer informatie over het bouwen van veilige, schaalbare en eerlijke oplossingen.
Technisch document over verantwoordelijke AI
Hulpprogramma's en methoden voor het begrijpen, beveiligen en beheren van uw modellen.
Technisch document over machine learning-bewerkingen (MLOps)
Versnel het proces van het ontwikkeling, training en implementatie van machine learning-modellen op schaal.
Technisch document over Machine Learning met Azure Arc ingeschakeld
Meer informatie over het bouwen, trainen en implementeren van modellen in elke infrastructuur.
Uitgebreide ingebouwde beveiliging en naleving
-
Microsoft investeert jaarlijks meer dan USD 1 miljard dollar in onderzoek naar en de ontwikkeling van cyberbeveiliging.
-
Er werken meer dan 3,500 beveiligingsexperts bij ons die allemaal zijn toegewijd aan de beveiliging en privacy van je gegevens.
-
Azure heeft meer certificeringen dan welke cloudprovider ook. Bekijk de uitgebreide lijst.
Informatie over het gebruik van Azure Machine Learning
Ga naar uw studiowebervaring
Bouwen en trainen
Implementeren en beheren
Ontwerp nieuwe modellen en sla uw rekendoelen, modellen, implementaties, metrische gegevens en uitvoeringsgeschiedenis op in de cloud.
Gebruik geautomatiseerde machine learning om algoritmen en hyperparameters te identificeren en experimenten te volgen in de cloud. Modellen ontwerpen met behulp van notebooks of het ontwerpprogramma met functie voor slepen en neerzetten.
Implementeer uw machine learning-model in de cloud of aan de rand, bewaak prestaties en train het model zo nodig opnieuw.
Betaal uitsluitend voor wat u nodig hebt zonder kosten vooraf
Aan de slag met een gratis Azure-account
Begin gratis. Ontvang $200 tegoed dat u binnen 30 dagen kunt gebruiken. Zolang u uw tegoed hebt, hebt u gratis toegang tot tal van onze populairste services, plus gratis hoeveelheden van meer dan 40 andere services die altijd gratis zijn.
Ga na uw tegoed naar betaal per gebruik om te blijven bouwen met dezelfde gratis services. Betaal alleen als u meer dan uw gratis maandelijkse bedragen gebruikt.
Na 12 maanden blijft u altijd meer dan 40 services gratis krijgen en betaalt u nog steeds alleen voor wat u gebruikt buiten uw gratis maandelijkse bedragen.
Klanten die Azure Machine Learning gebruiken
NIC Bourven, Chief Information Officer, AXA UK"We make it our mission to try new ideas and go beyond to differentiate AXA UK from other insurers. We see managed endpoints in Azure Machine Learning as a key enabler for our digital ambition."
Bikram Virk, Product Manager, AI and Machine Learning, 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."
Jeff Neilson, Data Science Manager, 3M"As more of our groups rely on the Azure Machine Learning solution, our finance experts can focus more on higher-level tasks and spend less time on manual data collection and input."
Professor Mike Reed, klinische directeur, Trauma en orthopedie, Northumbria Healthcare NHS Foundation Trust"With Azure Machine Learning, we can show the patient a risk score that is highly tailored to their individual circumstances. …Ultimately, we aim to reduce risk, reduce uncertainty, and improve surgical outcomes."
Michael Cleavinger, Senior Director of Shopper Insights, Data Science, and Advanced Analytics, 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."
Keiichi Sawada, divisie Bedrijfstransformatie, Seven Bank"Using automated machine learning features of Azure Machine Learning for machine learning model creation enabled us to realize an environment in which we can create and experiment with various models from multiple perspectives."
Azure Machine Learning-resources
Zelfstudies voor beginners
Geavanceerde zelfstudies
- Geautomatiseerde machine learning-modellen trainen en implementeren
- MLOps-voorbeelden in GitHub verkennen
- Het ontwerphulpprogramma gebruiken voor voorspellingen
- Machine learning-modellen interpreteren en uitleggen
- Automatische machine learning-modellen interpreteren en uitleggen
- De Python-SDK gebruiken voor geautomatiseerde machine learning
- De gebruikersinterface voor geautomatiseerde machine learning gebruiken
- Een tijdreeksmodel automatisch trainen
- Een objectdetectiemodel automatisch trainen
- Een verwerkingsmodel voor natuurlijke taal automatisch trainen
Aanbevolen video's
- Vooraf gebouwde Docker-installatiekopieën voor deductie
- Beheerde eindpunten
- PyTorch Enterprise op Azure
- Overal Machine Learning uitvoeren
- AI democratiseren met Machine Learning Designer
- Meer informatie over hoe u een machine learning hero kan worden
- Azure Machine Learning-studionotitieblokken
- Uw assets, artefacten en code beheren
- Aan de slag en analyse van uw modellen
- Verhoog uw productiviteit met gegevenslabels
Updates, blogs en aankondigingen met betrekking tot Azure Machine Learning
Veelgestelde vragen over Azure Machine Learning
-
De service is algemeen beschikbaar in diverse landen/regio's (in de toekomst komen hier meer landen/regio's bij).
-
De service level agreement (SLA) voor Azure Machine Learning biedt een uptime van 99,9 procent.
-
De Azure Machine Learning-studio is voor machine learning de resource op het hoogste niveau. Deze mogelijkheid biedt een gecentraliseerde locatie waarin gegevenswetenschappers en ontwikkelaars met alle artefacten voor het bouwen, trainen en implementeren van machine learning-modellen aan de slag kunnen.