Azure Machine Learning
Użyj usługi klasy korporacyjnej na potrzeby kompleksowego cyklu życia uczenia maszynowego.
Modele uczenia maszynowego krytyczne dla działania firmy na dużą skalę
Azure Machine Learning zapewnia badaczom danych i programistom możliwość szybszego i pewniejszego tworzenia i wdrażania modeli wysokiej jakości oraz zarządzania nimi. Przyspiesza czas uzyskiwania wartości dzięki wiodącym w branży operacjom uczenia maszynowego (MLOps), interoperacyjności typu open source oraz zintegrowanym narzędziom. Ta zaufana platforma jest przeznaczona do odpowiedzialnego używania aplikacji sztucznej inteligencji w uczeniu maszynowym.
Szybkie opracowywanie i trenowanie modeli dzięki zintegrowanym narzędziom i obsłudze skalowalnej, specjalnie zaprojektowanej infrastrukturze sztucznej inteligencji.
Opracowywanie modelu odpowiedzialnej sztucznej inteligencji z wbudowaną uczciwością i wytłumaczalnością oraz odpowiedzialnym użyciem w celu zapewnienia zgodności
Szybkie wdrażanie modelu uczenia maszynowego, zarządzanie i udostępnianie na potrzeby współpracy między obszarami roboczymi i metodyki MLOps
Wbudowane mechanizmy nadzoru, zabezpieczenia i zgodność na potrzeby uruchamiania obciążeń uczenia maszynowego w dowolnym miejscu
Wsparcie w przypadku cyklu życia kompleksowego uczenia maszynowego
Etykietowanie danych
Etykietuj dane szkoleniowe i zarządzaj projektami etykietowania.
Przygotowywanie danych
Używaj z aparatami analitycznymi do eksploracji i przygotowywania danych.
Zestawy danych
Uzyskuj dostęp do danych oraz twórz i udostępniaj zestawy danych.
Notesy
Korzystaj ze wspólnych notesów Jupyter z dołączonymi zasobami obliczeniowymi.
Zautomatyzowane uczenie maszynowe
Automatycznie trenuj i dostrajaj dokładne modele.
Projektant przeciągania i upuszczania
Projektuj za pomocą interfejsu deweloperskiego typu „przeciągnij i upuść”.
Eksperymenty
Uruchamiaj eksperymenty i twórz oraz udostępniaj niestandardowe pulpity nawigacyjne.
Interfejs wiersza polecenia i zestaw SKD języka Python
Przyspiesz proces trenowania modelu, jednocześnie skalując w górę i w poziomie w zasobach obliczeniowych platformy Azure.
Visual Studio Code i GitHub
Korzystaj ze znanych narzędzi i łatwo przełączaj się ze szkoleń lokalnych do chmury.
Wystąpienie obliczeniowe
Twórz w zarządzanym i bezpiecznym środowisku za pomocą dynamicznie skalowalnych procesorów, procesorów GPU i klastrów superobliczeniowych.
Biblioteki i struktury typu open source
Uzyskaj wbudowaną obsługę bibliotek Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib i nie tylko.
Zarządzane punkty końcowe
Szybko i łatwo wdrażaj modele na potrzeby wnioskowania wsadowego i wnioskowania w czasie rzeczywistym.
Potoki i ciągła integracja/ciągłe wdrażanie
Automatyzuj przepływy pracy uczenia maszynowego.
Wstępnie utworzone obrazy
Uzyskuj dostęp do obrazów kontenerów za pomocą struktur i bibliotek na potrzeby wnioskowania.
Repozytorium modeli
Udostępniaj i śledź modele i dane.
Hybrydowe i wielochmurowe
Trenuj i wdrażaj modele lokalnie i w środowiskach wielochmurowych.
Optymalizowanie modeli
Przyspiesz trenowanie i wnioskowanie oraz obniż koszty dzięki środowisku uruchomieniowemu ONNX.
Monitorowanie i analiza
Śledź, rejestruj i analizuj dane, modele i zasoby.
Dryf danych
Wykrywaj dryf i zachowaj dokładność modelu.
Analiza błędów
Debuguj modele i optymalizuj dokładność modelu.
Inspekcja
Śledź artefakty uczenia maszynowego pod kątem zgodności.
Zasady
Do zarządzania zgodnością używaj wbudowanych i niestandardowych zasad.
Zabezpieczenia
Korzystaj z ciągłego monitorowania za pomocą usługi Azure Security Center.
Kontrola kosztów
Zastosuj zarządzanie przydziałami i automatyczne zamykanie.
Azure Machine Learning na potrzeby uczenia głębokiego
Zarządzana kompleksowa platforma
Usprawnij cały cykl życia uczenia głębokiego i zarządzanie modelami dzięki natywnym możliwościom metodyki MLOps. Bezpiecznie uruchamiaj uczenie maszynowe w dowolnym miejscu dzięki zabezpieczeniom klasy korporacyjnej. Eliminuj odchylenia modelu i oceniaj modele za pomocą pulpitu nawigacyjnego odpowiedzialnej sztucznej inteligencji.
Dowolne narzędzia i platformy programistyczne
Twórz modele uczenia głębokiego za pomocą ulubionych środowisk IDE, od edytora Visual Studio Code po aplikację Jupyter Notebook, oraz na wybranej przez siebie platformie za pomocą PyTorch i TensorFlow. Usługa Azure Machine Learning integruje się z środowiskiem uruchomieniowym ONNX i DeepSpeed w celu zoptymalizowania trenowania i wnioskowania.
Wydajność światowej klasy
Wykorzystaj specjalnie zaprojektowaną infrastrukturę sztucznej inteligencji unikatowo opracowaną w celu łączenia najnowszych procesorów GPU NVIDIA i połączeń wzajemnych InfiniBand sieci Mellanox do 200 GB/s. Skaluj w górę do tysięcy procesorów GPU w jednym klastrze o niespotykanej skali.
Skracanie czasu osiągania korzyści dzięki szybkiemu opracowywaniu modeli
?resMode=sharp2&op_usm=1.5,0.65,15,0&wid=1920&qlt=100&fmt=png-alpha&fit=constrain)
Operacjonalizacja na dużą skalę dzięki metodyce MLOps
Dostarczanie odpowiedzialnych rozwiązań uczenia maszynowego
Wprowadzaj innowacje na platformie hybrydowej, która jest bezpieczniejsza i bardziej zgodna
Doskonal swoje umiejętności uczenia maszynowego na platformie Azure
Kluczowe możliwości usługi dla pełnego cyklu życia uczenia maszynowego
-
Etykietowanie danych
Twórz projekty etykietowania, zarządzaj nimi i monitoruj je oraz automatyzuj zadania iteracyjne przy użyciu etykietowania wspomaganego przez uczenie maszynowe.
-
Przygotowywanie danych
Szybko iteruj przygotowywanie danych na dużą skalę w klastrach platformy Apache Spark w usłudze Azure Machine Learning, współdziałających z usługą Azure Synapse Analytics.
-
Notesy do współpracy
Technologia IntelliSense, łatwe obliczenia i przełączanie jądra oraz edytowanie notesów w trybie offline pozwalają zmaksymalizować produktywność. Uruchom notes w programie Visual Studio Code, aby uzyskać zaawansowane środowisko programistyczne, obejmujące bezpieczne debugowanie i obsługę kontroli źródła Git.
-
Zautomatyzowane uczenie maszynowe
Szybko twórz dokładne modele klasyfikacji, regresji, prognozowania szeregów czasowych, zadań przetwarzania języka naturalnego i zadań przetwarzania obrazów. Używaj możliwości interpretowania modelu, aby zrozumieć sposób utworzenia modelu.
-
Uczenie maszynowe z funkcją przeciągania i upuszczania
Korzystaj z narzędzi uczenia maszynowego, takich jak projektant do przekształcania danych, szkolenia i oceniania modelu oraz do łatwego tworzenia i publikowania potoków uczenia maszynowego.
-
Uczenie przez wzmacnianie
Skaluj uczenie przez wzmacnianie do zaawansowanych klastrów obliczeniowych, obsługuj scenariusze z wieloma agentami oraz uzyskuj dostęp do algorytmów, struktur i środowisk uczenia przez wzmacnianie typu open source.
-
Odpowiedzialne kompilowanie
Zyskaj przejrzystość modelu przy szkoleniu i wnioskowaniu dzięki funkcjom możliwości interpretowania. Oceniaj uczciwość modelu poprzez metryki rozbieżności i ograniczaj nieuczciwość. Zwiększ niezawodność modelu oraz identyfikuj i diagnozuj błędy modelu za pomocą zestawu narzędzi do analizy błędów. Pomóż chronić dane dzięki funkcji prywatności różnicowej.
-
Eksperymentowanie
Zarządzaj przebiegami i monitoruj je lub porównuj wiele przebiegów na potrzeby szkoleń i eksperymentów. Twórz niestandardowe pulpity nawigacyjne i udostępniaj je zespołowi.
-
Rejestry
Repozytoria obejmujące całą organizację umożliwiają przechowywanie i udostępnianie modeli, potoków, składników i zestawów danych w wielu obszarach roboczych. Automatycznie przechwytuj dane pochodzenia i ładu przy użyciu funkcji dziennika inspekcji.
-
Git i GitHub
Integracja z usługą Git służy do śledzenia pracy i obsługi funkcji GitHub Actions w celu implementowania przepływów pracy uczenia maszynowego.
-
Zarządzane punkty końcowe
Używaj zarządzanych punktów końcowych do operacjonalizowania wdrażania i oceniania modelu, rejestrowania metryk dziennika i przeprowadzania bezpiecznych wdrożeń modelu.
-
Środowisko obliczeniowe skalowania automatycznego
Używaj specjalnie utworzonych superkomputerów sztucznej inteligencji, aby rozpowszechniać trenowanie uczenia głębokiego oraz szybko testować, weryfikować i wdrażać modele. Udostępniaj klastry procesorów i procesorów GPU w obszarze roboczym i skaluj automatycznie w celu zaspokajania potrzeb dotyczących uczenia maszynowego.
-
Współdziałanie z innymi usługami platformy Azure
Zwiększ produktywność dzięki usłudze Microsoft Power BI i usługom, takim jak Azure Synapse Analytics, Azure Cognitive Search, Azure Data Factory, Azure Data Lake, Azure Arc, Azure Security Center i Azure Databricks.
-
Obsługa środowisk hybrydowych i z wieloma chmurami
Uruchamiaj uczenie maszynowe w istniejących klastrach platformy Kubernetes lokalnie, w środowiskach wielochmurowych i na urządzeniach brzegowych dzięki usłudze Azure Arc. Użyj prostego agenta uczenia maszynowego, aby bezpieczniej rozpocząć trenowanie modeli niezależnie od miejsca, w którym znajdują się dane.
-
Zabezpieczenia klasy korporacyjnej
Twórz i wdrażaj modele bardziej bezpiecznie dzięki izolacji sieci i kompleksowym funkcjom prywatnego adresu IP, opartej na rolach kontroli dostępu do zasobów i działań, rolach niestandardowych oraz tożsamości zarządzanej dla zasobów obliczeniowych.
-
Zarządzanie kosztami
Zmniejsz koszty IT i lepiej zarządzaj alokacjami zasobów dla wystąpień obliczeniowych, korzystając z limitów przydziału na poziomie obszaru roboczego i zasobów oraz automatycznego zamykania.
Kompleksowe zabezpieczenia i zgodność, wbudowane
-
Firma Microsoft inwestuje ponad 1 mld USD rocznie w badania i rozwiązania z zakresu cyberbezpieczeństwa.
-
Zatrudniamy ponad 3500 ekspertów w dziedzinie zabezpieczeń, którzy są skoncentrowani na ochronie danych i prywatności.
-
Platforma Azure ma więcej certyfikatów niż jakikolwiek inny dostawca usług w chmurze. Wyświetl kompleksową listę.
-
Płać wyłącznie za potrzebne zasoby, bez kosztów ponoszonych z góry
Rozpoczynanie przy użyciu bezpłatnego konta platformy Azure
1
Rozpocznij bezpłatnie. Uzyskaj środki w wysokości 200 USD do wykorzystania w ciągu 30 dni. Mając środki, otrzymasz bezpłatne przydziały dla wielu naszych najpopularniejszych usług, a dodatkowo otrzymasz bezpłatne przydziały dla ponad 55 innych usług, które zawsze są bezpłatne.
2
Po wykorzystaniu środków przejdź na płatność zgodnie z rzeczywistym użyciem, aby kontynuować pracę z użyciem tych samych bezpłatnych usług. Płacisz tylko wtedy, gdy użycie przekroczy bezpłatne miesięczne przydziały.
3
Po upływie 12 miesięcy będziesz nadal mieć dostęp do ponad 55 zawsze bezpłatnych usług — i nadal będziesz płacić tylko za użycie przekraczające bezpłatne miesięczne przydziały.
Twórz nowe modele i przechowuj cele obliczeniowe, modele, wdrożenia, metryki i historie uruchamiania w chmurze.
Zautomatyzowane uczenie maszynowe pozwala identyfikować algorytmy i hiperparametry oraz śledzić eksperymenty w chmurze. Twórz modele przy użyciu notesów lub projektanta przeciągania i upuszczania.
Wdrażaj modele uczenia maszynowego w chmurze lub na brzegu sieci, monitoruj ich wydajność i przeprowadzaj ich ponowne trenowanie, jeśli zajdzie taka potrzeba.
Klienci korzystający z usługi Azure Machine Learning
"Naszą misją jest wypróbowanie nowych pomysłów i wykraczanie poza odróżnienie AXA UK od innych ubezpieczycieli. Zarządzane punkty końcowe w usłudze Azure Machine Learning są kluczowym czynnikiem umożliwiającym realizację naszych cyfrowych zamierzeń."
Nic Bourven, dyrektor ds. systemów informatycznych, AXA UK
"Klienci oczekują aktualnych i dokładnych informacji na temat swoich pakietów i środowiska dostarczania opartego na danych. Pomagamy firmie FedEx utrzymać wiodącą pozycję w usłudze Azure Machine Learning i zdobywamy wiedzę specjalistyczną na potrzeby przyszłych projektów."
Bikram Virk, menedżer produktu, sztuczna inteligencja i uczenie maszynowe, FedEx
"Ponieważ coraz więcej naszych grup korzysta z rozwiązania Azure Machine Learning, nasi eksperci finansowi mogą skupić się bardziej na zadaniach wyższego poziomu i poświęcać mniej czasu na ręczne zbieranie i wprowadzanie danych."
Jeff Neilson, menedżer ds. nauki o danych, 3M
i
"Dzięki usłudze Azure Machine Learning możemy pokazać pacjentowi ocenę ryzyka, która jest wysoce dostosowana do ich indywidualnych okoliczności. …ostatecznie dążymy do zmniejszenia ryzyka, zmniejszenia pewności i poprawy wyników leczenia."
Profesor Mike Reed, dyrektor kliniczny, Trauma & Orthopedics, Northumbria Healthcare NHS Foundation Trust
1
"Użyliśmy funkcji MLOps w usłudze Azure Machine Learning, aby uprościć cały proces uczenia maszynowego. Dzięki temu możemy skupić się bardziej na nauce o danych i pozwolić usłudze Azure Machine Learning na kompleksową operacjonalizację."
Michael Cleavinger, starszy dyrektor ds. nauki o danych i analizy zaawansowanej obejmującej szczegółowe informacje o klientach, PepsiCo
.
"Korzystanie z funkcji zautomatyzowanego uczenia maszynowego w usłudze Azure Machine Learning na potrzeby tworzenia modelu uczenia maszynowego pozwoliło nam zrealizować środowisko, w którym możemy tworzyć i eksperymentować z różnymi modelami z wielu perspektyw."
Keiichi Sawada, dział transformacji firmy, Seven Bank
Zasoby usługi Azure Machine Learning
Samouczki dla początkujących
Wprowadzenie do uczenia maszynowego i zestawu SDK dla języka Python
Wprowadzenie do notesów Jupyter
Wprowadzenie do zautomatyzowanego uczenia maszynowego
Używanie narzędzia projektanta do uczenia maszynowego metodą przeciągania i upuszczania
Trenowanie modeli za pomocą interfejsu wiersza polecenia
Trenowanie modelu przy użyciu rozszerzenia programu Visual Studio Code
Samouczki zaawansowane
Trenowanie i wdrażanie zautomatyzowanych modeli uczenia maszynowego
Eksploruj przykłady MLOps w serwisie GitHub
Korzystanie z narzędzia projektanta na potrzeby prognozowania
Interpretowanie i objaśnianie modeli uczenia maszynowego
Interpretowanie i objaśnianie zautomatyzowanych modeli uczenia maszynowego
Używanie zestawu SDK języka Python na potrzeby zautomatyzowanego uczenia maszynowego
Korzystanie z interfejsu użytkownika zautomatyzowanego uczenia maszynowego
Automatyczne trenowanie modelu szeregów czasowych
Automatyczne trenowanie modelu wykrywania obiektów
Automatyczne trenowanie modelu przetwarzania języka naturalnego
Polecane wideo
Wstępnie utworzone obrazy platformy Docker na potrzeby wnioskowania
PyTorch Enterprise na platformie Azure
Uruchamianie uczenia maszynowego w dowolnym miejscu
Demokratyzacja sztucznej inteligencji za pomocą projektanta uczenia maszynowego
Dowiedz się, jak być bohaterem uczenia maszynowego
Notesy usługi Azure Machine Learning Studio
Zarządzanie zasobami, artefaktami i kodem
Przewodnik po opanowaniu usługi Azure Machine Learning
Poznaj specjalistyczne techniki tworzenia zautomatyzowanych i wysoce skalowalnych kompleksowych modeli i potoków uczenia maszynowego na platformie Azure przy użyciu platform TensorFlow, Spark i Kubernetes.
Inżynieria MLOps — oficjalny dokument
Odkryj systematyczne podejście do tworzenia, wdrażania i monitorowania rozwiązań uczenia maszynowego przy użyciu metodyki MLOps. Szybko twórz i testuj cykle życia uczenia maszynowego gotowego do produkcji oraz zarządzaj nimi na dużą skalę.
Badanie Forrester Total Economic ImpactTM (TEI)
W badaniu Forrester Consulting Total Economic ImpactTM (TEI) zleconym przez firmę Microsoft zbadano potencjalny zwrot z inwestycji (ROI), który przedsiębiorstwa mogą uzyskać dzięki usłudze Azure Machine Learning.
Oficjalny dokument dotyczący rozwiązań uczenia maszynowego
Dowiedz się, jak tworzyć bezpieczne, skalowalne i niezawodne rozwiązania.
Oficjalny dokument dotyczący odpowiedzialnej sztucznej inteligencji
Przeczytaj o narzędziach i metodach umożliwiających zrozumienie, ochronę i kontrolowanie modeli.
Oficjalny dokument dotyczący operacji uczenia maszynowego (MLOps)
Przyspiesz proces tworzenia, trenowania i wdrażania modeli na dużą skalę.
Oficjalny dokument dotyczący uczenia maszynowego z obsługą usługi Azure Arc
Dowiedz się, jak tworzyć, trenować i wdrażać modele w dowolnej infrastrukturze.
Często zadawane pytania dotyczące usługi Azure Machine Learning
-
Usługa jest ogólnie dostępna w kilku krajach/regionach, a kolejne są w drodze.
-
Umowa dotycząca poziomu usług (SLA) dla usługi Azure Machine Learning wynosi 99,9% czasu pracy.
-
Usługa Azure Machine Learning studio jest zasobem najwyższego poziomu dla uczenia maszynowego. Ta funkcja zapewnia scentralizowane miejsce, w którym analitycy danych i deweloperzy mogą pracować ze wszystkimi artefaktami na potrzeby kompilowania, trenowania i wdrażania modeli uczenia maszynowego.