Azure Machine Learning
Machine learning-service van enterpriseklasse om modellen sneller te bouwen en te implementeren
Bedrijfskritieke machine learning-modellen op schaal bouwen
Stel gegevenswetenschappers en ontwikkelaars in staat sneller en met vertrouwen hoogwaardige modellen te bouwen, implementeren en beheren. Versnel de time-to-value met toonaangevende MLOps (machine learning-bewerkingen), opensource-interoperabiliteit en geïntegreerde hulpprogramma's. Innoveer op een veilig, vertrouwd platform dat is ontworpen voor verantwoordelijke machine learning (ML).
Snel modellen bouwen en trainen
Gebruik de studio-ontwikkelervaring voor toegang tot geïntegreerde hulpprogramma's en eersteklas ondersteuning voor opensource-frameworks en bibliotheken.
Operationeel maken op schaal
Implementeer modellen met één klik en beheer deze efficiënt met MLOps.
Verantwoordelijke oplossingen leveren
Begrijp en beveilig gegevens en modellen, bouw voor eerlijkheid en verbeter de kwaliteit van het model.
Innoveren op een veiliger hybride platform
Voer machine learning-workloads overal uit met ingebouwde governance, beveiliging en naleving.
Tot drie keer zoveel rendement op ML-projecten
70 procent minder stappen voor het trainen van modellen
90 procent minder coderegels voor pijplijnen
60 nalevingscertificeringen
Het enige platform met PyTorch Enterprise
Support for the end-to-end machine learning (ML) lifecycle
Data labeling
Label training data and manage labeling projects.
Data preparation
Integrate with analytics engines for data exploration and preparation.
Datasets
Access data and create and share datasets.
Notebooks
Use collaborative Jupyter notebooks with attached compute.
Automated ML
Automatically train and tune accurate models.
Drag-and-drop designer
Design with drag-and-drop development interface.
Experiments
Run experiments and create and share custom dashboards.
Visual Studio Code and GitHub
Use familiar tools and switch easily from local to cloud training.
Compute instance
Develop in a managed and secure environment with cloud CPUs, GPUs, and supercomputing clusters.
Open-source libraries and frameworks
Get built-in support for Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib, and more.
Managed endpoints
Utilize one-click deployment for batch and real-time inference.
Pipelines and CI/CD
Automate machine learning workflows.
Pre-built images
Access container images with frameworks and libraries for inference.
Model repository
Share and track models and data.
Hybrid and multicloud
Train and deploy models on-premises and across multicloud.
Optimize models
Accelerate training and inference and lower costs with ONNX Runtime.
Monitor and analyze
Track, log, and analyze data, models, and resources.
Data drift
Detect drift and maintain model accuracy.
Error analysis
Debug models and optimize model accuracy.
Audit
Trace ML artifacts for compliance.
Policies
Leverage built-in and custom policies for compliance management.
Security
Enjoy continuous monitoring with Azure Security Center.
Control costs
Apply quota management and automatic shutdown.
Time-to-value versnellen met snelle en nauwkeurige modelontwikkeling
Verbeter de productiviteit met Studio, de ontwikkelervaring die ondersteuning biedt voor alle ML-taken 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 ML met behulp van mogelijkheden voor functie-engineering en het opruimen van hyperparameters. Krijg toegang tot het foutopsporingsprogramma, de profiler en uitleg om de modelprestaties te verbeteren tijdens het trainen. Gebruik diepe Visual Studio Code-integratie om naadloos van lokale naar cloudtraining te gaan en automatisch te schalen met krachtige CPU- en GPU-clusters in de cloud.
Operationeel maken op schaal met machine learning-bewerkingen (MLOps)
Stroomlijn de implementatie en het beheer van duizenden modellen on-premises, aan de rand en in omgevingen met meerdere clouds met behulp van MLOps. Implementeer en beoordeel 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). Bewaak continu metrische gegevens over modelprestaties, detecteer gegevensdrift en activeer opnieuw trainen om de modelprestaties te verbeteren. En schakel tijdens de levenscyclus controleerbaarheid en governance in met kant-en-klare tracering en gegevensherkomst voor alle ML-artefacten.
Verantwoordelijke machine learning-oplossingen leveren
Krijg toegang tot toonaangevende mogelijkheden voor verantwoordelijke AI om de transparantie van het model te vergroten en de betrouwbaarheid te verbeteren. Krijg inzicht in modellen met behulp van kant-en-klare visualisaties en wat-als-analyses om de invloed van functies op voorspellingen te bepalen. Deel grafieken met uitleg over modellen met uw team om naleving te garanderen. Gebruik geavanceerde algoritmen om modellen te testen op eerlijkheidsproblemen, verschillende modellen te vergelijken en stappen te nemen om de problemen te verhelpen. Identificeer modelfouten en spoor deze op met de toolkit voor foutanalyse om de nauwkeurigheid van het model te verbeteren.
Innoveren op een hybride platform dat veiliger en compatibeler is
Verhoog de beveiliging gedurende de ML-levenscyclus met uitgebreide mogelijkheden die identiteit, verificatie, gegevens, netwerken, bewaking, governance en naleving omvatten. Bouw veiligere ML-oplossingen met aangepast toegangsbeheer op basis van rollen, virtuele netwerken, gegevensversleuteling, privé-eindpunten en end-to-end privé-IP-adressen. Train en implementeer modellen on-premises om te voldoen aan de vereisten voor gegevenssoevereiniteit. Beheer governance met ingebouwd beleid en stroomlijn de naleving met een uitgebreide portfolio met daarin 60 certificeringen, zoals 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.
Belangrijkste servicemogelijkheden voor de volledige ML-levenscyclus
Gegevenslabels
Maak, beheer en bewaak labelingprojecten en automatiseer iteratieve taken met door machine learning ondersteunde labeling.
Gegevensvoorbereiding
Voer interactieve gegevensvoorbereiding uit met PySpark, met behulp van ingebouwde integratie met Azure Synapse Analytics.
Notebooks voor samenwerking
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 en tijdreeksvoorspellingen. Gebruik interpreteerbaarheid van modellen om te begrijpen hoe het model is opgebouwd.
Machine learning met 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.
Verantwoordelijke machine learning
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.
Experimenten
Beheer en controleer uitvoeringen of vergelijk meerdere uitvoeringen voor training en experimenten. Maak aangepaste dashboards en deel deze met uw team.
Modelregister en audittrail
Gebruik het centrale register om gegevens, modellen en metagegevens op te slaan en bij te houden. Leg automatisch herkomst- en governancegegevens vast met audittrails.
Git en GitHub
Gebruik Git-integratie om werk en GitHub Actions-ondersteuning 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.
Compute automatisch schalen
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.
Diepe integratie met andere Azure-services
Verhoog de productiviteit met ingebouwde integratie met 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 on-premises, in omgevingen met meerdere clouds en aan de rand uit op bestaande Kubernetes-clusters met Azure Arc. Gebruik de machine learning-agent om met één klik modellen veiliger te trainen, waar uw gegevens ook maar zijn opgeslagen.
Professionele beveiliging
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
Stel IT in staat kosten te verlagen en beter resourcetoewijzingen te beheren voor rekenprocessen met quotumlimieten voor werkruimten en op het niveau van resources en automatisch afsluiten.
Betaal uitsluitend voor wat u nodig hebt zonder kosten vooraf
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.
Engineering MLOps
Discover a systematic approach to building, deploying, and monitoring machine learning solutions with MLOps. Rapidly build, test, and manage production-ready machine learning life cycles at scale.
The Forrester WaveTM 2020
Forrester noemt Microsoft Azure Machine Learning toonaangevend in The Forrester Wave™: Notebook-Based Predictive Analytics And Machine Learning, Q3 2020.
Verwacht rendementsbereik tot drie keer hoger: Forrester Total Economic ImpactTM (TEI)
Forrester Total Economic Impact™ (TEI), een in opdracht uitgevoerd onderzoek door Forrester Consulting, biedt een framework om de potentiële financiële impact van Azure Machine Learning op hun organisaties te evalueren.
Machine learning-oplossingen met een technisch document voor ondernemingen
Stel organisaties in staat veilige, schaalbare en onpartijdige ML-oplossingen te bouwen met Azure Machine Learning.
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 bouwen, trainen en implementeren van modellen op schaal.
Informatie over het gebruik van Azure Machine Learning
Ga naar uw studiowebervaring
Bouw en train
Implementeren en beheren
Ontwerp nieuwe modellen en sla uw rekendoelen, modellen, implementaties en metrische gegevens en uitvoeringsgeschiedenissen 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.
Informatiebronnen
Zelfstudies voor beginners
Geavanceerde zelfstudies
Aanbevolen video's
- Vooraf gebouwde Docker-installatiekopieën voor deductie in Azure Machine Learning
- Beheerde eindpunten
- PyTorch Enterprise on Microsoft Azure
- Overal Machine Learning uitvoeren
- Wat is er nieuw bij Azure Machine Learning
- AI democratiseren met Azure Machine Learning Designer
- Meer informatie over hoe u een ML Hero wordt met behulp van AutoML
- Jupyter-notebooks bewerken en uitvoeren zonder de Azure Machine Learning-studio te verlaten
- Dieper ingaan op de MLOps-functie: Uw assets, artefacten en code beheren
- Verantwoordelijke ML: Aan de slag met het analyseren van modellen
- Uw productiviteit verhogen met gegevenslabels in Azure Machine Learning
Aanvullende bronnen
Ga vandaag nog aan de slag met Azure Machine Learning
Meld u aan voor een gratis Azure-account voor directe toegang en een tegoed van $200.
Meld u aan bij de Azure Portal.
Verken de documentatie en zelfstudiesen blader door quickstarts en resources voor ontwikkelaars.
Klanten die Azure Machine Learning gebruiken
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."
Dr. Deepa Kasinathan, Product Manager and Group Leader, Robotron Datenbank-Software GmbH"The end-to-end pipeline (built with Azure Machine Learning) has all the features needed to develop and maintain machine learning models throughout their lifecycles."
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."
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."
Het leven van treinreizigers eenvoudiger maken
DB Systel, de digitale partner van de Duitse spoorwegmaatschappij Deutsche Bahn, heeft een oplossing ontwikkeld met de naam Digital Guide Dog om passagiers te helpen. Met Microsoft Azure Machine Learning duurt het slechts enkele uren om een nieuw model te trainen met behulp van neurale netwerken.
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.