Er zijn nu nieuwe functies voor Azure Machine Learning in preview

Inclusief:

• Open gegevenssets: Open gegevenssets zijn een verzameling gegevenssets uit het openbare domein waarmee de ontwikkeling kan worden versneld van Machine Learning-modellen die in Azure zijn gebouwd. Open gegevenssets is met Machine Leaning Studio geïntegreerd of kan op Python-notebooks in Azure Machine Learning Service worden geopend. Open gegevenssets van Azure bieden gegevens van hoge kwaliteit uit het openbare domein die vaak moeilijk te vinden zijn en duur zijn om te cureren. Data scientists zijn productiever wanneer zij zich richten op het ontwikkelen van modellen in plaats van gegevensvoorbereiding.
• Visuele interface : Met de nieuwe visuele interface voor Azure Machine Learning worden werkstroomfuncties voor slepen en neerzetten aan de Azure Machine Learning Service toegevoegd. Hiermee wordt het proces van het ontwikkelen, testen en implementeren van Machine Learning-modellen eenvoudiger voor klanten die liever een visualisatie dan een coderingservaring hebben. Deze integratie brengt het beste van ML Studio en de AML-service samen. De ervaring van slepen en neerzetten zorgt ervoor dat ongeacht welke data scientist snel een model kan ontwikkelen zonder code te hoeven gebruiken. Het hulpprogramma biedt tevens voldoende flexibiliteit voor data scientists om het model af te stemmen. De AML-service als back-endplatform biedt alle schaalbaarheid, beveiliging en mogelijkheden voor foutopsporing die ML Studio u niet kan geven. Dankzij de eenvoudige implementatiefunctie in de visuele interface kunnen eenvoudig score.py-bestanden worden gegenereerd en installatiekopieën worden gemaakt. In een paar keer klikken kan een getraind model op een met de AML-service gekoppeld AKS-cluster worden geïmplementeerd.
• Geautomatiseerde ML – UX: 
  • Implementeren als webservices voor het maken van voorspellingen over nieuwe gegevens
  • Krijg met slechts enkele klikken op een knop toegang tot het beste model voor classificatie, regressie of voorspellen van problemen
  • De gegenereerde modellen analyseren
  • Particuliere data scientists: Genereer ML-modellen zonder Python-code te hoeven schrijven (of een ander codetype). Data scientists: Honderden modellen snel verkennen en genereren, en daarna doorgaan met het optimaliseren van de beste in een Jupyter-notebook
• Notebook-VM's: Azure Machine Learning komt halverwege april beschikbaar in beperkte preview met een gehoste notebookservice, en naar verwachting maken wij deze service in mei beschikbaar in openbare preview. Gehoste notebooks bieden een ervaring waarbij eerst wordt gecodeerd, en gebruikers alle bewerkingen kunnen uitvoeren die door de Python-SDK van Azure Machine Learning worden ondersteund, met behulp van het vertrouwde Jupyter-notebook. Gehoste notebooks vereenvoudigen het aanvangsproces door een veilige omgeving op ondernemingsniveau te bieden voor ML-gebruikers. In een beperkte preview kunnen gebruikers: een notebook openen dat is geïntegreerd in de Azure ML-werkruimte, vooraf geconfigureerde Azure ML-notebooks gebruiken waarvoor geen installatie nodig is, hun notebook-VM's volledig aanpassen, waarbij zij ook de mogelijkheid hebben om pakketten en stuurprogramma's toe te voegen.

​Nu kunt u met behulp van MLflow in uw Azure Machine Learning-werkruimte de metrische gegevens en artefacten registreren van uw trainingsuitvoeringen in een centrale, veilige en schaalbare locatie. Bijhouden van MLflow is mogelijk vanaf uw lokale machine, een virtuele machine of een externe rekenomgeving.

• Data Box Edge met FPGA: FPGA's zijn een Machine Learning-inferentieoptie op basis van Project Brainwave, een hardwarearchitectuur van Microsoft. Data scientists en ontwikkelaars kunnen met FPGA's real-time AI-berekeningen versnellen. Deze modellen met hardwareversnelling zijn nu algemeen beschikbaar in de cloud, samen met een preview van modellen die in Data Box Edge zijn geïmplementeerd. FPGA's bieden prestaties, flexibiliteit en schaal, en zijn alleen beschikbaar via Azure Machine Learning. Hiermee is het mogelijk om een lage latentie te bereiken voor real-time inferentieaanvragen, waardoor er minder behoefte is aan asynchrone aanvragen (batchverwerking).