Machine learning-bewerkingen (MLOps)
Versnel automatisering, samenwerking en reproduceerbaarheid van machine learning-werkstromen
Gestroomlijnde implementatie en beheer van duizenden modellen in verschillende productieomgevingen, van on-premises tot aan de rand
Volledig beheerde eindpunten voor batch- en realtimevoorspellingen om modellen sneller te implementeren en te beoordelen.
Herhaalbare pijplijnen voor het automatiseren van machine learning-werkstromen voor continue integratie/continue levering (CI/CD)
Hiermee worden metrische gegevens voor modelprestaties voortdurend gecontroleerd, gegevensdrift wordt gedetecteerd en hertraining om de modelprestaties te verbeteren wordt geactiveerd
Innovatie snel leveren
MLOps (machine learning-bewerkingen of DevOps voor machine learning) vormt het raakvlak van mensen, processen en platformen om bedrijfswaarde uit machine learning te genereren. Het stroomlijnt de ontwikkeling en implementatie via bewaking, validatie en governance van machine learning-modellen.
Werkstromen en modellen voor machine learning bouwen
Gebruik gegevenssets en uitgebreide modelregisters om assets bij te houden. Schakel verbeterde traceerbaarheid in met tracering voor code, gegevens en metrische gegevens in de uitvoeringsgeschiedenis. Bouw machine learning-pijplijnen voor het ontwerpen, implementeren en beheren van reproduceerbare modelwerkstromen voor de consistente levering van modellen.
Implementeer overal eenvoudig uiterst nauwkeurige modellen
Implementeer snel en met vertrouwen. Gebruik beheerde online-eindpunten om modellen te implementeren op krachtige CPU- en GPU-machines zonder de onderliggende infrastructuur te beheren. Verpak modellen snel en zorg voor hoge kwaliteit bij elke stap met behulp van hulpprogramma's voor modelprofilering en validatie. Gebruik gecontroleerde implementatie om modellen in productie te nemen.
De volledige levenscyclus van machine learning efficiënt beheren
Gebruik ingebouwde integratie met Azure DevOps en GitHub Actions voor het naadloos beheren en automatiseren van werkstromen. Optimaliseer modeltrainings- en implementatiepijplijnen, bouw voor CI/CD om het opnieuw trainen te vergemakkelijken en pas machine learning eenvoudig in uw bestaande releaseprocessen. Gebruik geavanceerde gegevensdriftanalyse om de modelprestaties in de loop van de tijd te verbeteren.
Governance bereiken tussen assets
Volg de versiegeschiedenis en herkomst van het model ten behoeve van controlemogelijkheden. Stel rekenquota in voor resources en pas beleidsregels toe voor de naleving van beveiligings-, privacy- en compliance-standaarden. Gebruik de geavanceerde mogelijkheden om te voldoen aan governance- en controledoelstellingen en om de transparantie en eerlijkheid van modellen te bevorderen.
Profiteren van interoperabiliteit met MLflow
Bouw flexibele en veiligere end-to-end machine learning-werkstromen met behulp van MLflow en Azure Machine Learning. Schaal uw bestaande workloads naadloos van lokale uitvoering naar de intelligente cloud en rand. Sla uw MLflow-experimenten op, voer metrische gegevens, parameters en modelartefacten uit in de gecentraliseerde Azure Machine Learning-werkruimte.
MLOps voor samenwerking tussen werkruimten versnellen
De samenwerking tussen werkruimten en MLOps vergemakkelijken met registers. Uw machine learning assets hosten op een centrale locatie, zodat ze beschikbaar zijn voor alle werkruimten in uw organisatie. Modellen, omgevingen, onderdelen en gegevenssets tussen teams promoten, delen en ontdekken. Hergebruik pijplijnen en implementeer modellen die door teams in andere werkruimten zijn gemaakt, terwijl de herkomst en de traceerbaarheid gewaarborgd blijven.
Resource Center
Bekijk machine learning-bewerkingen in actie
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.
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 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.
Bekijk hoe klanten voordeel halen uit machine learning-bewerkingen
FedEx
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."
BRF
Alexandre Biazin, Technology Executive Manager, BRF"We're scaling with automated machine learning in Azure and MLOps capabilities in Azure Machine Learning so that our 15 analysts can focus on more strategic tasks instead of the mechanics of merging spreadsheets and running analyses."
Nestle
Ignasi Paredes-Oliva, Lead Data Scientist, Nestlé Global Security Operations Center"MLOps is at the core of our product. Because of its reproducible ML pipelines, ...registered models, and automatic model scoring, we're definitely detecting things that we missed before. Which, in terms of risk management, is really, really important."
PepsiCo
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."
Aanvullende MLOps-resources
Aan de slag
Opslagplaats
Learning
End-to-end MLOps-leertrajectBlog
- MLOps samenvoegen in Microsoft
- Concepten van MLOps-vervaldatummodel
- Azure Machine Learning excelleert in ondernemingsgereedheid
- De kunst van het testen van machine learning-systemen
- De robuustheid van machine learning-systemen testen
- De schaalbaarheid van machine learning-systemen testen
- De veiligheid van machine learning-systemen testen