Operacje uczenia maszynowego (MLOps)
Przyspieszanie automatyzacji, współpracy i odtwarzania przepływów pracy uczenia maszynowego
Usprawnione wdrażanie i zarządzanie tysiącami modeli w środowiskach produkcyjnych — od środowiska lokalnego do brzegu sieci
W pełni zarządzane punkty końcowe na potrzeby prognoz wsadowych i prognoz w czasie rzeczywistym umożliwiające szybsze wdrażanie i ocenianie modeli
Powtarzalne potoki automatyzujące przepływy pracy uczenia maszynowego na potrzeby ciągłej integracji/ciągłego dostarczania (CI/CD)
Stale monitoruje metryki wydajności modelu, wykrywa dryf danych i wyzwala ponowne trenowanie na potrzeby zwiększenia wydajności modelu
Szybko dostarczaj innowacje
MLOps — operacje uczenia maszynowego lub metodyka DevOps na potrzeby uczenia maszynowego — to część wspólna osób, procesów i platformy służąca do uzyskiwania wartości biznesowej z uczenia maszynowego. Usprawnia ona opracowywanie i wdrażanie za pomocą monitorowania, weryfikacji i zarządzania modelami uczenia maszynowego.
Tworzenie przepływów pracy i modeli uczenia maszynowego
Używaj zestawów danych i zaawansowanych rejestrów modeli do śledzenia zasobów. Włącz rozszerzoną możliwość śledzenia za pomocą śledzenia kodu, danych i metryk w historii przebiegów. Twórz potoki uczenia maszynowego, aby projektować i wdrażać powtarzalne przepływy pracy modelu oraz zarządzać nimi na potrzeby zapewnienia spójnego dostarczania modelu.
Łatwo wdrażaj modele o wysokiej dokładności w dowolnym miejscu
Wdrażaj szybko bez obaw. Korzystaj z punktów końcowych online, aby wdrażać modele na zaawansowanych komputerach z procesorami CPU i GPU bez konieczności zarządzania podstawową infrastrukturą. Szybko pakuj modele i zapewniaj wysoką jakość na każdym kroku, korzystając z narzędzi do profilowania i walidacji modeli. Użyj kontrolowanego wprowadzania, aby podwyższyć poziom modeli do produkcji.
Efektywnie zarządzaj całym cyklem życia uczenia maszynowego
Korzystaj z wbudowanej integracji z usługami Azure DevOps i GitHub Actions, aby bezproblemowo planować i automatyzować przepływy pracy oraz zarządzać nimi. Optymalizuj potoki trenowania i wdrażania modeli, twórz na potrzeby ciągłej integracji/ciągłego wdrażania (CI/CD), aby ułatwić ponowne trenowanie i łatwo dopasować uczenie maszynowe do istniejących procesów wydania. Użyj zaawansowanej analizy dryfu danych, aby zwiększyć wydajność modelu wraz z upływem czasu.
Uzyskaj ład w zasobach
Śledź historię wersji modelu i pochodzenie pod kątem możliwości inspekcji. Ustaw przydziały obliczeniowe zasobów i zastosuj zasady, aby zapewnić zgodność ze standardami zabezpieczeń, prywatności i zgodności. Skorzystaj z zaawansowanych możliwości, aby osiągnąć cele ładu i kontroli oraz promować przejrzystość i sprawiedliwość modelu.
Skorzystaj z współdziałania z platformą MLflow
Twórz elastyczne i bezpieczniejsze, kompleksowe przepływy pracy uczenia maszynowego przy użyciu platform MLflow i Azure Machine Learning. Bezproblemowo skaluj istniejące obciążenia z wykonywania lokalnego do inteligentnej chmury i urządzeń brzegowych. Przechowuj eksperymenty platformy MLflow, uruchamiaj metryki, parametry i artefakty modelu w scentralizowanym obszarze roboczym usługi Azure Machine Learning.
Przyspiesz współpracę nad metodyką MLOps w różnych obszarach roboczych
Ułatwiaj współpracę między obszarami roboczymi i metodykę MLOps za pomocą rejestrów. Hostuj zasoby uczenia maszynowego w centralnej lokalizacji, udostępniając je wszystkim obszarom roboczym w organizacji. Promuj, udostępniaj i odnajduj modele, środowiska, składniki i zestawy danych w zespołach. Ponowne używanie potoków i wdrażanie modeli utworzonych przez zespoły w innych obszarach roboczych przy zachowaniu pochodzenia i możliwości śledzenia bez zmian.
Centrum zasobów
Zobacz operacje uczenia maszynowego w działaniu
Tworzenie potoków uczenia maszynowego w celu projektowania i wdrażania przepływów pracy modelu oraz zarządzania nimi
Tworzenie potoków uczenia maszynowego w celu projektowania i wdrażania przepływów pracy modelu oraz zarządzania nimi
Automatyzowanie potoku uczenia maszynowego
Sam to analityk danych pracujący dla internetowego sprzedawcy odzieży. Firma niedawno zaczęła korzystać z uczenia maszynowego w celu dostarczania aktualnych i dokładnych rekomendacji, zwiększając zarówno zadowolenie klientów, jak i sprzedaż.
Po aktualizacji katalogu, Sam został poproszony o zaktualizowanie modelu rekomendacji marki, ale nikt nie wie, skąd pochodzi bieżący model. Sam odwołuje się do usługi Azure Machine Learning, aby utworzyć powtarzalny i umożliwiający śledzenie przepływ pracy.
Piotr jest analitykiem danych w firmie zajmującej się handlem detalicznym online z zadaniem aktualizacji modelu rekomendacji po ostatniej aktualizacji katalogu. Piotr szuka potoku modelu, ale nie wie, skąd pochodzi model.
Piotr przechodzi do usługi Azure ML, aby utworzyć przepływ pracy modelu z możliwością śledzenia.
Użyj Azure Machine Learning z istniejącymi narzędziami
Sam używa zestawu SDK Azure Machine Learning, aby przenieść swoją pracę opartą na Jupyter Notebook do usługi Azure Machine Learning, wykorzystując jej możliwości do skalowania i współpracy. Korzystając z wybranej przez siebie platformy, tworzy wersje kodu i zestawów danych szkoleniowych oraz łączy je z eksperymentem umożliwiającym śledzenie.
Przechwytywanie metryk z każdego przebiegu eksperymentu
Za każdym razem, gdy Sam uruchamia przebieg, usługa Azure Machine Learning śledzi metryki i rejestruje je do przeglądu. Powoduje to przechwycenie danych wejściowych (takich jak zestawy danych, kod i parametry) i danych wyjściowych (takich jak dzienniki, metryki i modele) na potrzeby oceny i porównań.
Przejrzyj modele i eksperymenty w obszarze roboczym
Podczas gdy Sam kontynuuje pracę w środowisku notesu, jego zespół używa Azure Machine Learning studio, aby łatwo śledzić dane z modelu końcowego w rejestrze modelu, za pośrednictwem każdego zasobu i kroku użytego do jego utworzenia.
Utwórz potoki wielokrotnego użytku, aby zapewnić wydajność i spójność
Sam tworzy potok uczenia maszynowego wielokrotnego użytku, aby dostarczyć przepływ pracy trenowania modelu i wyzwolić go automatycznie po zmianach w danych źródłowych. W razie potrzeby może ponownie użyć wyniku kroków bez zmieniania danych wejściowych.
Tworzenie potoków uczenia maszynowego z możliwością odtwarzania
Sam utworzył powtarzalny i umożliwiający śledzenie przepływ pracy przy użyciu usługi Azure Machine Learning. Każdy model tworzony przez zespół, jest teraz powiązany z przebiegiem eksperymentu na potrzeby przeglądu i iteracji. Dzięki powtarzalnym potokom, Sam umożliwia usłudze Azure Machine Learning zautomatyzowanie ponownego trenowania, aby móc skupić się na kolejnym ważnym zadaniu.
Azure Machine Learning ułatwia tworzenie potoków uczenia maszynowego klasy korporacyjnej dzięki odtwarzalności i możliwości śledzenia. Prowadzi to do bardziej spójnego dostarczania modelu z mniejszą zmiennością i zwiększoną odpornością na uszkodzenia.
Dowiedz się więcej o potokach uczenia maszynowego Przejrzyj repozytorium GitHub, aby zapoznać się z tą wersją demonstracyjną
Korzystając z usługi Azure ML, Piotr utworzył możliwy do odtworzenia i śledzenia przepływ pracy. Każdy model utworzony przez zespół jest teraz powiązany z przebiegiem eksperymentu, dzięki czemu zespół może dokonać przeglądu i iteracji. Za pomocą możliwego do odtworzenia potoku Piotr może umożliwić usłudze Azure ML zautomatyzowanie ponownego trenowania, gdy koncentruje się na następnym ważnym zadaniu.
Usługa Azure ML pomaga w tworzeniu potoków uczenia maszynowego klasy korporacyjnej przez możliwość odtwarzania i śledzenia. Prowadzi to do dostarczania spójniejszych modeli z mniejszą zmiennością i zwiększoną odpornością na uszkodzenia.
Dowiedz się więcej o potokach uczenia maszynowego Przejrzyj repozytorium GitHub, aby zapoznać się z tą wersją demonstracyjną
Szybkie wdrażanie przy użyciu skalowania automatycznego i zarządzanych rozproszonych klastrów wnioskowania
Szybkie wdrażanie przy użyciu skalowania automatycznego i zarządzanych rozproszonych klastrów wnioskowania
Wdrażanie punktu końcowego usługi sieci Web dla modelu
Sam, analityk danych pracujący dla internetowego sprzedawcy odzieży, dodał usługę Azure Machine Learning do swojego przepływu pracy, aby tworzyć lepsze modele. Zautomatyzowany potok właśnie zarejestrował ostateczny model z dołączonymi wynikami eksperymentalnymi, pokazującymi zwiększoną wydajność.
Zespół ds. wdrażania rozwiązań internetowych nie wie, jak osadzić model uczenia maszynowego w aplikacji internetowej i zamiast tego poprosił o usługę internetową. Sam korzysta z usługi Azure Machine Learning, aby uzyskać pomoc w dodawaniu punktu końcowego usługi internetowej do swojego modelu.
Sam, analityk danych w sklepie internetowym, użył usługi Azure ML do utworzenia i zarejestrowania modelu. Jego zespół deweloperów internetowych poprosił go o internetowy punkt końcowy, aby wywołać jego model wnioskowania. Piotr używa usługi Azure ML do utworzenia tego punktu końcowego usługi internetowej.
Pobieranie najnowszego modelu i profilu dla środowiska produkcyjnego
Sam pobiera najnowszy model z rejestru i profiluje go, aby zobaczyć, jakiego rodzaju zasobów może potrzebować w środowisku produkcyjnym.
Wypchnij model do usługi Azure Container Instances
Mając pod ręką dane profilowania, Sam używa usługi Azure Machine Learning do spakowania modelu w kontenerze i wdrażania go w usłudze Azure Container Instances na potrzeby wnioskowania w czasie rzeczywistym lub partyjnym. Po wdrożeniu korzysta z funkcji automatycznego generowania schematu i monitorowania w usłudze Azure Machine Learning.
Wdrażanie w skalowalnych, różnorodnych punktach końcowych i implementowanie testowania A/B
Dzięki zaledwie kilku wierszom kodu Sam wypycha ten sam model do bardziej skalowalnego wystąpienia usługi Azure Kubernetes Service (AKS) i wykonuje zaawansowane możliwości testowania A/B na potrzeby weryfikacji nowego modelu. Teraz może wdrażać modele wszędzie tam, gdzie są potrzebne, od chmury po urządzenia brzegowe, korzystając z opcji obliczeniowych, w tym procesora CPU, procesora GPU i układu FPGA.
Umożliwienie zespołowi deweloperów internetowych używania wdrożonego modelu
Po wdrożeniu modelu w wystąpieniu usługi AKS zespół deweloperów sieci Web uzyskuje dostęp do punktu końcowego usługi sieci Web w celu wywołania go z aplikacji, aby zaspokoić potrzeby w zakresie wnioskowania w czasie rzeczywistym lub w oparciu o partie. Sam monitoruje punkt końcowy modelu pod kątem dryfu danych i innych metryk, które mogą być poddawane inspekcji w razie potrzeby.
Publikuj modele wszędzie tam, gdzie są potrzebne
Sam zmienił swój model typu open source w gotową do przeniesienia do środowiska produkcyjnego usługę internetową dla swojego zespołu deweloperów. Skoncentrował się na tworzeniu modelu, a nie na poznaniu wielu technologii potrzebnych do hostowania usług, w tym usług Kubernetes, Flask i Swagger.
Azure Machine Learning ułatwia bezproblemowe przenoszenie modeli do rozwiniętych i w pełni funkcjonalnych usług internetowych, dzięki czemu można je szybko wdrażać w aplikacjach.
Dowiedz się, jak wdrażać modele za pomocą usługi Azure Machine Learning
W przypadku usługi Azure ML Piotr szybko przekształcił model typu open source w przygotowaną do środowiska produkcyjnego usługę internetową, która jest gotowa do użycia przez zespół deweloperów. Jako analityk danych jest w stanie utrzymać koncentrację na tworzeniu modelu i nie musi zdobywać umiejętności w zakresie wielu technologii potrzebnych do hostingu usług (w tym Kubernetes, Flask i/lub Swagger).
Usługa Azure ML ułatwia analitykom danych bezproblemowe przekształcanie modeli w gotowe i w pełni funkcjonalne usługi internetowe, co umożliwia ich szybkie wdrożenie w aplikacjach.
Dowiedz się, jak wdrażać modele za pomocą usługi Azure Machine Learning
Współpraca z usługami Azure DevOps i GitHub Actions w celu zautomatyzowania przepływów pracy uczenia maszynowego
Współpraca z usługami Azure DevOps i GitHub Actions w celu zautomatyzowania przepływów pracy uczenia maszynowego
Integracja z przepływem pracy serwera DevOps
Sam, analityk danych pracujący dla internetowego sprzedawcy odzieży, użył usługi Azure Machine Learning do tworzenia i wdrażania swoich modeli. Niedawno opublikował swój model w produkcyjnym wystąpieniu usługi Azure Kubernetes Service (AKS), a zespół ds. rozwiązań internetowych zintegrował go z aplikacją internetową z obiecującymi wynikami.
Rebecca, która należy do zespołu operacyjnego, chce mieć pewność, że kompilacja i wdrożenie modelu jest częścią przepływów pracy DevOps. Sam nie jest pewien, jak tego dokonać, więc szkoli Rebeccę z zakresu usługi Azure Machine Learning i współpracuje z nią w celu określenia, jak ta usługa może spełniać ich wymagania.
Sam, analityk danych, ostatnio używał usługi Azure ML do tworzenia i wdrażania modeli. Właśnie opublikował model w produkcyjnym wystąpieniu usługi AKS. Rebecca chce zintegrować ją ze swoimi przepływami pracy DevOps. Sam wskazuje jej usługę Azure ML.
Tworzenie nowego potoku wydania przy użyciu usługi Azure Pipelines
Rebecca tworzy potok w usłudze Azure Pipelines w celu zautomatyzowania procesu wdrażania. Pierwszy krok potoku wykonuje zadania, takie jak kompilowanie modelu ze wszystkimi zależnościami i sprawdzanie błędów. Aby automatycznie wyzwolić ten potok, Rebecca łączy go z rejestrem modeli usługi Azure Machine Learning, upewniając się, że jest on uruchamiany za każdym razem, gdy dochodzi do rejestracji nowego modelu lub jego nowej wersji.
Publikowanie modelu na potrzeby weryfikacji
Rebecca dodaje zadanie opublikowania modelu w usłudze Azure Container Instances w celu weryfikacji przed przejściem do środowiska produkcyjnego. Używa interfejsu wiersza polecenia platformy Azure do interakcji z usługą Azure Machine Learning. Zapewnia ona dostęp do tych samych funkcji w jej narzędziach, które Sam ma w swoim notesie. Ten krok naśladuje testy integracji w procesie DevOps aplikacji.
Przenieś model do środowiska produkcyjnego po weryfikacji
Rebecca dodaje zadanie potoku wydania, aby wdrożyć model w środowisku produkcyjnym przy użyciu usługi AKS. Przed aktywowaniem tego zadania Beata konfiguruje bramę wymagającą od potencjalnego klienta lub menedżera oceny i zatwierdzenia przed kontynuowaniem działania. Gwarantuje to, że potok nie spowoduje poważnych zakłóceń, jeśli problem nie został wychwycony podczas weryfikacji inicjowanej przez skrypty.
Konfigurowanie wykrywania dryfu danych w celu wyzwolenia ponownego trenowania
Gdy Rebecca konfiguruje zautomatyzowany potok do wdrażania modeli, Sam umożliwia monitorowanie dryfu danych za pomocą usługi Azure Machine Learning. Monitorując użycie usługi, może sprawdzić, czy żądania wnioskowania w środowisku produkcyjnym zaczynają odbiegać od zestawu danych trenowania, co wskazuje na potrzebę ponownego trenowania.
Monitorowanie usługi pod kątem stabilności i wydajności
Korzystając z usługi Application Insights, funkcji usługi Azure Monitor, Rebecca monitoruje operacje usługi, takie jak liczba żądań, obciążenie klastra usługi AKS i opóźnienie odpowiedzi, a Sam monitoruje wydajność modelu, aby określić, czy należy dokonać optymalizacji.
Utwórz usprawniony przepływ pracy modelu
Rebecca włączyła usługę Azure Machine Learning do swojego przepływu pracy operacji DevOps, od automatyzacji wydań po monitorowanie produkcji. Podczas gdy ona nadzoruje operacje usługi, Sam monitoruje i zarządza wydajnością modelu, optymalizując go w razie potrzeby.
Usługa Azure Machine Learning pomaga podnieść poziom ekspertyzy o danych w procesie DevOps organizacji, prowadząc do bardziej solidnych i niezawodnych projektów uczenia maszynowego.
Usługa Azure ML zapewnia bezproblemową integrację z istniejącym przepływem pracy DevOps, od automatyzacji wydań za pośrednictwem monitorowania produkcji z natywną integracją z istniejącymi narzędziami, takimi jak Azure DevOps i Azure App Insights. Beata monitoruje operacje usługi, a usługa Azure ML udostępnia Piotrowi narzędzia do monitorowania wydajności modeli i zarządzania nią oraz optymalizacji w miarę potrzeb.
Dzięki usłudze Azure ML nauka o danych będzie odgrywać pierwszoplanową rolę w istniejącym procesie DevOps organizacji, co prowadzi do bardziej niezawodnych projektów uczenia maszynowego.
Popraw ład i zarządzanie kosztami we wszystkich projektach uczenia maszynowego
Popraw ład i zarządzanie kosztami we wszystkich projektach uczenia maszynowego
Włączanie ładu modelu uczenia maszynowego
Phil jest menedżerem ds. IT, pracującym dla internetowego sprzedawcy odzieży, który jest zachwycony pracą zespołów ds. nauki o danych i operacji, wykonywaną w usłudze Azure Machine Learning.
Mimo że Phil jest odpowiedzialny za infrastrukturę IT firmy, nie ma pewności, co znajduje się w środowisku produkcyjnym, kto posiada dostęp lub ile to będzie kosztować. Postanawia on użyć usługi Azure Machine Learning, aby usprawnić realizację obowiązków związanych z ładem.
Phil, kierownik IT w sklepie internetowym, jest podekscytowany pracą Sam i Rebecci. Ale Phil jest odpowiedzialny za infrastrukturę IT i nie wie, jak zapewnić nadzór nad projektem uczenia maszynowego. Szuka pomocy w usłudze Azure ML.
Przejrzyj modele w środowisku produkcyjnym
Phil używa usługi Azure Machine Learning do inspekcji produkcyjnych punktów końcowych. Może on wrócić do bazowych modeli i eksperymentów wraz z danymi wyjściowymi objaśnień modelu i analizy uczciwości. Zapewnia to śledzenie każdego kroku w procesie tworzenia modelu i umożliwia inspekcję modelu pod kątem wszelkich odchyleń.
Sprawdzanie szczegółowej historii modelu w dziennikach inspekcji
Phil uzyskuje dostęp do dzienników inspekcji usługi Azure Machine Learning. Uzupełniają one możliwości śledzenia znalezione w modelach i eksperymentach ze szczegółowym dziennikiem, który śledzi każdą akcję (datę, godzinę i użytkownika). Te dzienniki pomagają Philowi śledzić akcje inicjowane w ramach usługi lub przez usługę w zakresie odpowiedzialności w całej organizacji.
Zabezpiecz obszar roboczy przy użyciu zarządzania tożsamościami i dostępem platformy Azure
Phil używa rozwiązań do zarządzania tożsamościami i dostępem na platformie Azure do zarządzania dostępem do obszaru roboczego usługi Azure Machine Learning. Używa zarówno wbudowanych ról, jak i ról niestandardowych, aby ograniczyć zadania, które użytkownicy mogą wykonywać i kontrolować dostęp do zasobów.
Zapewnianie odpowiedzialności w ramach zasobów platformy Azure
Phil korzysta z możliwości przydziałów do konfigurowania limitów zasobów i udostępniania. Dzięki temu może zarządzać wydatkami, kontrolować koszty i zapewniać alokację zasobów między zespołami. Sprzyja to również zachowaniu odpowiedzialności w zespołach projektowych.
Uzyskaj ład i zgodność modelu
Phil może teraz zobaczyć, co jest w środowisku produkcyjnym oraz zapewnić zgodność organizacji dzięki inspekcji, kontroli dostępu opartej na rolach i zarządzaniu limitami przydziałów. Docenia on, że usługa Azure Machine Learning nie tylko wspiera zespoły ds. nauki o danych i operacji, ale także zapewnia funkcje ładu klasy korporacyjnej, których potrzebuje on sam.
Usługa Azure Machine Learning zapewnia kontrolę organizacyjną niezbędną do pomyślnego i bezpieczniejszego tworzenia projektów uczenia maszynowego.
Monitorowanie usługi Azure Machine Learning Planowanie kosztów usługi Azure Machine Learning i zarządzanie nimi
Krzysztof jest wdzięczny za to, że usługa Azure ML nie tylko pomaga zespołom nauki o danych i zespołom operacyjnym, ale również zapewnia funkcje ładu klasy korporacyjnej, aby być na bieżąco z obowiązkami. Może zobaczyć dokładnie, co jest w środowisku produkcyjnym, a także zapewnić zgodność organizacji za pośrednictwem inspekcji, kontroli dostępu opartej na rolach i zarządzania limitami przydziału.
Usługa Azure ML zapewnia kontrolę organizacyjną potrzebną do tworzenia udanych i bezpiecznych projektów uczenia maszynowego.
Monitorowanie usługi Azure Machine Learning Planowanie kosztów usługi Azure Machine Learning i zarządzanie nimi
Wbudowane funkcje kompleksowych zabezpieczeń i zgodności
-
Firma Microsoft inwestuje ponad miliard dolarów (USD 1mld) rocznie w badania i rozwiązania w zakresie cyberbezpieczeństwa.
-
Zatrudniamy ponad 3,500 ekspertów w dziedzinie zabezpieczeń, którzy są skoncentrowani na ochronie danych i prywatności.
-
Platforma Azure ma więcej certyfikatów w porównaniu z innymi dostawcami usług w chmurze. Wyświetl pełną listę.
Wprowadzenie do bezpłatnego konta platformy Azure
Rozpocznij bezpłatnie. Uzyskaj $200 środków do wykorzystania w ciągu 30 dni. W tym czasie możesz skorzystać z dowolnej ilości naszych najpopularniejszych usług oraz z ponad 40 innych usług, które są zawsze bezpłatne.
Po otrzymaniu środków, przejdź do płać na bieżąco aby kontynuować tworzenie za pomocą tych samych, bezpłatnych usług. Płać tylko wtedy, gdy używasz więcej niż to, co obejmują bezpłatne kwoty miesięczne.
Po upływie 12 miesięcy nadal będziesz otrzymywać ponad 40 zawsze bezpłatnych usług i nadal będziesz płacić tylko za to, czego używasz ponad bezpłatnymi, miesięcznymi kwotami.
Zobacz, jak klienci dostarczają wartość dzięki operacjom uczenia maszynowego
FedEx
Bikram Virk, menedżer produktu, sztuczna inteligencja i uczenie maszynowe, 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, kierownik ds. technologii, 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, analityk danych potencjalnych klientów, 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, starszy dyrektor ds. nauki o danych i analizy zaawansowanej obejmującej szczegółowe informacje o klientach, 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."
Dodatkowe zasoby metodyki MLOps
Wprowadzenie
Blog
- Ujednolicanie metodyki MLOps w firmie Microsoft
- Pojęcia dotyczące modelu dojrzałości metodyki MLOps
- Usługa Azure Machine Learning wyróżnia się gotowością korporacyjną
- Sztuka testowania systemów uczenia maszynowego
- Testowanie niezawodności systemów uczenia maszynowego
- Testowanie skalowalności systemów uczenia maszynowego
- Testowanie zabezpieczeń systemów uczenia maszynowego