Bedrijfskritieke machine learning-modellen op schaal bouwen
Azure Machine Learning stelt datawetenschappers en -ontwikkelaars in staat sneller en met vertrouwen hoogwaardige modellen te bouwen, implementeren en beheren. Het versnelt de time-to-value met toonaangevende machine learning-bewerkingen(MLOps), opensource-interoperabiliteit en geïntegreerde hulpprogramma's. Dit vertrouwde AI-leerplatform is ontworpen voor verantwoordelijke AI-toepassingen in machine learning.
De terugverdientijd verkorten
Bouw machine learning modellen met krachtige AI-infrastructuur en organiseer AI-werkstromen met promptstroom.
Samenwerken en MLOps stroomlijnen
Snelle implementatie, beheer en delen van ML-modellen voor samenwerking tussen werkruimten en MLOps.
Ontwikkel met vertrouwen
Overal machine learning-workloads uitvoeren met ingebouwde governance, beveiliging en naleving.
Verantwoordelijk ontwerpen
verantwoordelijke kunstmatige intelligentie om verklaarbare modellen te bouwen met behulp van gegevensgestuurde beslissingen voor transparantie en verantwoordelijkheid.
Ondersteuning voor de end-to-end machine learning-levenscyclus
Gegevenslabels
Trainingsgegevens labelen en labelprojecten beheren.
Gegevensvoorbereiding
Gebruik dit met analyse-engines voor gegevensverkenning en -voorbereiding.
Gegevenssets
Toegang tot gegevens en gegevenssets maken en delen.
Notebooks
Gebruik Jupyter-notebooks voor samenwerking met gekoppelde rekenkracht.
Geautomatiseerde machine learning
Nauwkeurige kunstmatige intelligentie-modellen automatisch trainen en afstemmen.
Ontwerpfunctie voor slepen en neerzetten
Ontwerp met een ontwikkelinterface met 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 vertrouwde machine learning-hulpprogramma's en schakel eenvoudig over van lokale naar cloudtraining.
Rekenproces
Ontwikkel in een beheerde en veilige omgeving met dynamisch schaalbare CPU's, GPU's en supercomputingclusters.
Opensource-bibliotheken en -frameworks
Krijg ingebouwde ondersteuning voor Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib en meer.
Beheerde eindpunten
Implementeer snel en eenvoudig AI-leermodellen voor batch- en realtime deductie.
Pijplijnen en CI/CD
Automatiseer machine learning-werkstromen.
Vooraf gemaakte installatiekopieën
Toegang tot containerinstallatiekopieën met frameworks en bibliotheken voor deductie.
Modelopslagplaats
Deel en volg machine learning-modellen en -gegevens.
Hybride en multicloud
Train en implementeer modellen on-premises en in omgevingen met meerdere clouds.
Geoptimaliseerde modellen
Versnel training en deductie en verlaag de kosten met ONNX Runtime.
Registers
Deel en ontdek modellen en pijplijnen in teams binnen je organisatie.
Bewaking en analyse
Gegevens, modellen en resources bijhouden, registreren en analyseren.
Gegevensdrift
Detecteer drift en behoud de nauwkeurigheid van het model.
Foutenanalyse
Spoor fouten op in modellen en optimaliseer nauwkeurigheid van kunstmatige intelligentie-modellen.
Audit
Traceer machine learning-artefacten voor naleving.
Beleid
Gebruik ingebouwde en aangepaste beleidsregels voor nalevingsbeheer.
Beveiliging
Profiteer van continue bewaking met Azure Security Center.
Kostenbeheer
Quotumbeheer en automatisch afsluiten toepassen.
Azure Machine Learning voor genererende AI
AI-werkstroomorganisatie
Vereenvoudig het ontwerp, de evaluatie en de implementatie van toepassingen op basis van een groot taalmodel met promptstroom. Volg, reproduceer, visualiseer en verbeter eenvoudig de prompts en stromen in verschillende hulpprogramma's en resources. Meer informatie over Genererende AI in Machine Learning.
Beheerd end-to-end platform
Stroomlijn de volledige levenscyclus en het modelbeheer van grote taalmodellen met systeemeigen MLOps-mogelijkheden. Voer machine learning overal veilig uit met beveiliging op ondernemingsniveau. Beperk modelafwijkingen en evalueer modellen met het verantwoordelijke kunstmatige intelligentie-dashboard.
Flexibele hulpprogramma's en frameworks
Bouw deep learning-modellen in hulpprogramma's zoals Visual Studio Code en Jupyter Notebooks, met behulp van flexibele frameworks zoals PyTorch of TensorFlow. Azure Machine Learning is compatibel met ONNX Runtime en DeepSpeed om training en deductie te optimaliseren.
Prestaties van wereldklasse
Gebruik speciaal ontwikkelde AI-infrastructuur ontworpen om de nieuwste NVIDIA GPU's en InfiniBand-netwerkoplossingen tot 400 Gbps te combineren. Schaal omhoog naar duizenden GPU's binnen één cluster met ongekende schaal.
Versnel de time-to-value met snelle modelontwikkeling
Verbeter de productiviteit met een uniforme studio-ervaring. Bouw, train en implementeer modellen met Jupyter Notebooks met behulp van ingebouwde ondersteuning voor opensource-frameworks en bibliotheken. Maak snel modellen met geautomatiseerde machine learning voor gegevens in tabelvorm, tekst en afbeeldingen. Gebruik Visual Studio Code om naadloos van lokale- naar cloudtraining over te schakelen en automatisch te schalen met Azure AI-infrastructuur mogelijk gemaakt door het NVIDIA Quantum-2 InfiniBand-platform. Ontwerp, vergelijk, evalueer en implementeer je prompts voor toepassingen op basis van een groot taalmodel met promptstroom.
Samenwerken en modelbeheer stroomlijnen met MLOps
Stroomlijn de implementatie en het beheer van duizenden modellen in meerdere omgevingen met behulp van MLOps. Implementeer en beoordeel ML-modellen sneller met volledig beheerde eindpunten voor batch- en realtimevoorspellingen. Gebruik herhaalbare pijplijnen 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 en beheerde functieopslag. Bewaak continu metrische gegevens over modelprestaties, detecteer gegevensdrift en activeer opnieuw trainen om de modelprestaties te verbeteren.
Bouw oplossingen op ondernemingsniveau op een hybride platform
Stel beveiliging in de machine learning-levenscyclus op de eerste plaats met de ingebouwde gegevensgovernance in Microsoft Purview. Profiteer van de uitgebreide beveiligingsmogelijkheden voor identiteit, gegevens, netwerken, bewaking en naleving, allemaal getest en gevalideerd door Microsoft. Beveilig oplossingen met aangepast toegangsbeheer op basis van rollen, virtuele netwerken, gegevensversleuteling, privé-eindpunten en privé-IP-adressen. Train en implementeer modellen overal, van on-premises tot meerdere clouds, om te voldoen aan de vereisten voor gegevenssoevereiniteit. Beheer met vertrouwen met behulp van ingebouwde beleidsregels en naleving met 60 certificeringen, waaronder FedRAMP High en HIPAA.
Verantwoordelijke kunstmatige intelligentie-procedures gebruiken gedurende de hele levenscyclus
Evalueer machine learning-modellen met reproduceerbare en geautomatiseerde werkstromen om de modeleerlijkheid, verklaarbaarheid, foutanalyse, oorzakelijke analyse, modelprestaties en verkennende gegevensanalyse te beoordelen. Maak praktijkgerichte interventies met causale analyse in het verantwoordelijke kunstmatige intelligentie-dashboard en genereer een scorecard tijdens de implementatie. Contextualiseer metrische gegevens over verantwoordelijke kunstmatige intelligentie voor zowel technische als niet-technische doelgroepen om belanghebbenden te betrekken en nalevingsbeoordeling te stroomlijnen.
Ontwikkel je 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
-
Gegevensvoorbereiding
Herhaal snel gegevensvoorbereiding op schaal op Apache Spark-clusters binnen Azure Machine Learning die samenwerken met Azure Databricks.
-
Functieopslag
Vergroot de flexibiliteit bij het verzenden van je modellen door functies detecteerbaar en herbruikbaar te maken in meerdere werkruimten met beheerde functieopslag.
-
Notebooks voor samenwerking
Start je notebook in Jupyter Notebook of Visual Studio Code voor een uitgebreide ontwikkelingservaring, waaronder 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 met geautomatiseerde machine learning.
-
Machine learning met slepen en neerzetten
Gebruik hulpprogramma's voor machine learning, zoals Designer voor gegevenstransformatie, modeltraining en evaluatie, of om eenvoudig machine learning-pijplijnen te maken en te publiceren.
-
Verantwoordelijke kunstmatige intelligentie
Bouw verantwoordelijke kunstmatige intelligentie -oplossingen met interpreteerbaarheidsmogelijkheden. Evalueer de eerlijkheid van het model door middel van gegevens over de verschillen en verminder oneerlijkheid.
-
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.
-
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.
Uitgebreide ingebouwde beveiliging en compliance
-
Microsoft investeert jaarlijks meer dan USD 1 miljard in onderzoek en ontwikkeling van cyberbeveiliging.
-
Er werken meer dan 3500 beveiligingsexperts bij ons die allemaal zijn toegewijd aan de beveiliging en privacy van je gegevens.
-
Betaal uitsluitend voor wat u nodig hebt zonder kosten vooraf
Aan de slag met een gratis Azure-account
1
2
Stap na je tegoed over naar betalen naar gebruik om te blijven gebruikmaken van deze services. Betaal alleen als je meer dan de gratis maandelijkse bedragen gebruikt.
3
Azure Machine Learning-resources
Geavanceerde zelfstudies
- Machine learning-modellen trainen
- Hyperparameter die een model afstemt
- Machine Learning-pijplijnen met Python SDK
- Modellen voor de classificatie zonder code trainen
- Regressiemodellen zonder code trainen met designer
- Taken bewaken en analyseren in studio
- Modellen beheren, implementeren en bewaken
- Machine learning-oplossingen bouwen en gebruiken
- End-to-end machine learning-bewerkingen
- Rekenintensieve modellen trainen
IDC MarketScape: MLOps 2022 leveranciersevaluatie
Ontdek hoe zakelijke organisaties in verschillende bedrijfstakken MLOps gebruiken om de uitdagingen van het implementeren van kunstmatige intelligentie en machine learning-technologieën overwinnen.
Engineering MLOps technisch document
Ontdek een systematische benadering voor het bouwen, implementeren en bewaken van machine learning-oplossingen met MLOps. Bouw, test en beheer snel productieklare machine learning-levenscycli op schaal.
Forrester Total Economic Impact-onderzoek
Het Forrester Consulting Total Economic ImpactTM-onderzoek, 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 onpartijdige machine learning-oplossingen.
Verantwoordelijke kunstmatige intelligentie technisch document
Meer informatie over het bouwen van veilige, schaalbare en onpartijdige machine learning-oplossingen.
MLOps technisch document
Versnel het proces van het bouwen, trainen en implementeren van modellen op schaal.
Machine learning met Azure Arc technisch document
Meer informatie over het bouwen, trainen en implementeren van modellen in elke infrastructuur.
Veelgestelde vragen over Azure Machine Learning
-
De service is algemeen beschikbaar in verschillende landen/regio's, met meer in de pijplijn.
-
De SLA voor Azure Machine Learning biedt een uptime van 99,9 procent.
-
Azure Machine Learning-studio is de resource op het hoogste niveau voor machine learning. 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.