Tworzenie na dużą skalę modeli uczenia maszynowego krytycznych dla działania firmy
Azure Machine Learning zapewnia badaczom danych i programistom możliwość szybszego i pewniejszego tworzenia i wdrażania modeli wysokiej jakości oraz zarządzania nimi. Przyspiesza czas uzyskiwania korzyści dzięki wiodącym w branży operacjom uczenia maszynowego (MLOps), interoperacyjności typu open source oraz zintegrowanym narzędziom. Ta zaufana platforma edukacyjna AI jest przeznaczona dla aplikacji odpowiedzialnej sztucznej inteligencji w zakresie uczenia maszynowego.
Szybsze osiąganie korzyści
Twórz modele uczenia maszynowego, korzystając z zaawansowanej infrastruktury sztucznej inteligencji i orkiestracji przepływów pracy sztucznej inteligencji za pomocą przepływu monitów.
Współpraca i usprawnianie metodyki MLOps
Szybkie wdrażanie modelu uczenia maszynowego, zarządzanie nim i udostępnianie na potrzeby współpracy między obszarami roboczymi i metodyce MLOps.
Tworzenie bez obaw
Wbudowane mechanizmy nadzoru, zabezpieczeń i zgodności na potrzeby uruchamiania obciążeń uczenia maszynowego w dowolnym miejscu.
Projektowanie w sposób odpowiedzialny
Odpowiedzialna sztuczna inteligencja do tworzenia modeli objaśniających przy użyciu decyzji opartych na danych w celu zapewnienia przejrzystości i odpowiedzialności.
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 sztucznej inteligencji.
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 do uczenia maszynowego 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 edukacyjne AI 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 uczenia maszynowego.
Hybrydowe i wielochmurowe
Trenuj i wdrażaj modele lokalnie i w środowiskach wielochmurowych.
Zoptymalizowane modele
Przyspiesz trenowanie i wnioskowanie oraz obniż koszty dzięki środowisku uruchomieniowemu ONNX.
Rejestry
Udostępniaj i odnajduj modele i potoki w zespołach w organizacji.
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 sztucznej inteligencji.
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 generatywnej sztucznej inteligencji
Orkiestracja przepływu AI
Uprość projektowanie, ocenę i wdrażanie aplikacji opartych na dużych modelach–językowych za pomocą przepływ monitów. Łatwo śledź, odtwarzaj, wizualizuj i ulepszaj monity oraz przepływy za pomocą różnych narzędzi i zasobów. Dowiedz się więcej o generatywnej sztucznej inteligencji w rozwiązaniu Machine Learning.
Zarządzana kompleksowa platforma
Usprawnij cały cykl życia obszernego modelu językowego i zarządzanie modelami dzięki natywnym funkcjom MLOps. Bezpiecznie uruchamiaj uczenie maszynowe w dowolnym miejscu dzięki zabezpieczeniu klasy korporacyjnej. Eliminuj odchylenia modelu i oceniaj modele za pomocą pulpitu nawigacyjnego odpowiedzialnej sztucznej inteligencji.
Elastyczne narzędzia i struktury
Twórz modele uczenia głębokiego w narzędziach, takich jak Visual Studio Code i Jupyter Notebooks, przy użyciu elastycznych struktur, takich jak PyTorch lub TensorFlow. Rozwiązanie Azure Machine Learning jest zgodne z ze środowiskiem uruchomieniowym ONNX i z DeepSpeed w celu zoptymalizowania trenowania i wnioskowania.
Światowej klasy wydajność
Używaj specjalnie zaprojektowanejinfrastruktury sztucznej inteligencji zaprojektowanej w celu połączenia najnowszych procesorów GPU firmy NVIDIA i rozwiązań sieciowych InfiniBand o szybkości do 400 Gb/s. Skaluj w górę do tysięcy procesorów GPU w jednym klastrze na niespotykaną skalę.
Skracanie czasu osiągania korzyści dzięki szybkiemu opracowywaniu modeli
Zwiększ produktywność, korzystając z ujednoliconego środowiska studio. Twórz, trenuj i wdrażaj modele za pomocą notesów Jupyter Notebook przy użyciu wbudowanej obsługi struktur i bibliotek typu open source. Szybko twórz modele za pomocą zautomatyzowanego uczenia maszynowego dla danych tabelarycznych, tekstowych i obrazów. Korzystaj z programu Visual Studio Code, aby bezproblemowo przechodzić z lokalnego trenowania do trenowania w chmurze i automatycznie skalować za pomocą infrastruktury platformy Azure AIobsługiwanej przez platformę NVIDIA Quantum-2 InfiniBand. Projektuj, porównuj, oceniaj i wdrażaj monity dla aplikacji opartych na dużych modelach językowych za pomocą przepływu monitów.
Współpracuj i usprawniaj zarządzanie modelami za pomocą metodyki MLOps
Usprawnij wdrażanie tysięcy modeli i zarządzanie nimi w wielu środowiskach przy użyciu metodyki MLOps. Szybciej wdrażaj i oceniaj modele ML dzięki w pełni zarządzanym punktom końcowym do prognozowania wsadowego i w czasie rzeczywistym. Używaj powtarzalnych potoków w celu automatyzacji przepływów pracy na potrzeby ciągłej integracji i ciągłego dostarczania (CI/CD). Udostępniaj i odnajduj artefakty uczenia maszynowego w wielu zespołach na potrzeby współpracy między obszarami roboczymi przy użyciu rejestrów i zarządzanego magazynu funkcji. Stale monitoruj metryki wydajności modelu, wykrywaj dryf danych i wyzwalaj ponowne trenowanie w celu poprawy wydajności modelu.
Tworzenie rozwiązań klasy korporacyjnej na platformie hybrydowej
Umieść zabezpieczenia na pierwszym miejscu w całym cyklu życia uczenia maszynowego, korzystając z wbudowanego zarządzania danymi w usłudze Microsoft Purview. Korzystaj z kompleksowych funkcji zabezpieczeń obejmujących tożsamość, dane, sieć, monitorowanie i zgodność — wszystkie przetestowane i zweryfikowane przez firmę Microsoft. Zabezpiecz rozwiązania przy użyciu niestandardowej kontroli dostępu opartej na rolach, sieci wirtualnych, szyfrowania danych, prywatnych punktów końcowych i prywatnych adresów IP. Trenuj i wdrażaj modele w dowolnym miejscu, od środowiska lokalnego po wiele chmur, aby spełnić wymagania dotyczące niezależności danych. Zarządzaj za pomocą wbudowanych zasad i zgodności z 60 certyfikatami, w tym FedRAMP High i HIPAA.
Korzystanie z praktyk odpowiedzialnej sztucznej inteligencji w całym cyklu życia
Oceń modele uczenia maszynowego za pomocą powtarzalnych i zautomatyzowanych przepływów pracy, aby ocenić sprawiedliwość modelu, objaśnienie, analizę błędów, analizę przyczynową, wydajność modelu i eksploracyjną analizę danych. Wykonuj rzeczywiste interwencje za pomocą analizy przyczynowej na pulpicie nawigacyjnym odpowiedzialnej sztucznej inteligencji i generuj kartę wyników w czasie wdrażania. Kontekstualizuj metryki odpowiedzialnej sztucznej inteligencji dla odbiorców technicznych i nietechnicznych w celu zaangażowania uczestników projektu i usprawnienia przeglądu zgodności.
Doskonal swoje umiejętności uczenia maszynowego na platformie Azure
Dowiedz się więcej o uczeniu maszynowym na platformie Azure i weź udział w praktycznych samouczkach z 30-dniową podróżą szkoleniową. Na koniec przygotujesz się do uzyskania certyfikatu Azure Data Scientist Associate.
Kluczowe możliwości usługi dla pełnego cyklu życia uczenia maszynowego
-
Przygotowywanie danych
Szybko iteruj przygotowywanie danych na dużą skalę na klastrach Apache Spark w usłudze Azure Machine Learning, które współdziałają z usługą Azure Databricks.
-
Magazyn funkcji
Zwiększaj elastyczność wysyłania modeli, sprawiając, że funkcje są wykrywalne i wielokrotnie używane w wielu obszarach roboczych dzięki magazynowi zarządzanych funkcji.
-
Notesy do współpracy
Uruchom notes w notesie Jupyter Notebook lub programie Visual Studio Code, aby uzyskać rozbudowane środowisko programistyczne, w tym 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 za pomocą zautomatyzowanego uczenia maszynowego.
-
Uczenie maszynowe z funkcją przeciągania i upuszczania
Używaj narzędzi do uczenia maszynowego, takich jak projektant na potrzeby przekształcania danych, trenowania modelu i oceny, lub łatwo twórz i publikuj potoki uczenia maszynowego.
-
Odpowiedzialna sztuczna inteligencja
Twórz rozwiązania odpowiedzialnej sztucznej inteligencjiz możliwościami interpretowalności. Oceniaj uczciwość modelu poprzez metryki rozbieżności i ograniczaj nieuczciwość.
-
Rejestry
Użyj repozytoriów w całej organizacji do przechowywania i udostępniania modeli, potoków, składników i zestawów danych w wielu obszarach roboczych. Przechwytuj pochodzenie i zarządzaj danymi przy użyciu funkcji dziennika inspekcji.
-
Zarządzane punkty końcowe
Użyj zarządzanych punktów końcowych do operacjonalizowania wdrażania i oceniania modelu, rejestrowania metryk oraz przeprowadzania bezpiecznych wdrożeń modelu.
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.
-
Płać wyłącznie za potrzebne zasoby, bez kosztów ponoszonych z góry
Rozpocznij pracę z bezpłatnym kontem platformy Azure
1
2
Po wykorzystaniu środków przejdź na płatność zgodnie z rzeczywistym użyciem, aby kontynuować pracę z użyciem tych samych bezpłatnych usług. Płacisz tylko wtedy, gdy Twoje użycie przekroczy bezpłatne miesięczne przydziały.
3
Zasoby usługi Azure Machine Learning
Samouczki zaawansowane
- Trenuj modele uczenia maszynowego
- Hiperparametr dostrajający model
- Potoki uczenia maszynowego z zestawem SDK języka Python
- Trenuj modele klasyfikacji bez kodu
- Trenuj modele regresji bez kodu przy użyciu projektanta
- Monitoruj i analizuj zadania w studio
- Zarządzanie modelami, ich wdrażanie i monitorowanie
- Twórz i obsługuj rozwiązania uczenia maszynowego
- Kompleksowe operacje uczenia maszynowego
- Trenuj modele intensywnie korzystające z obliczeń
Polecane wideo
- Uczenie federacyjne za pomocą rozwiązania Azure Machine Learning
- Rejestry rozwiązania Azure Machine Learning
- Kontener uczenia głębokiego z rozwiązaniami PyTorch i Azure Machine Learning
- Szczegółowe informacje o pulpicie nawigacyjnym i karcie wyników odpowiedzialnej sztucznej inteligencji
- Zarządzane punkty końcowe online
IDC MarketScape: Ocena dostawcy MLOps 2022
Dowiedz się, jak organizacje korporacyjne z różnych branż korzystają z metodyki MLOps, aby przezwyciężyć wyzwania związane z implementowaniem technologii sztucznej inteligencji i uczenia maszynowego.
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 Total Economic Impact firmy Forrester
W badaniu Total Economic ImpactTM firmy Forrester Consulting zleconym przez firmę Microsoft zbadano potencjalny zwrot z inwestycji, jakie przedsiębiorstwa mogą zrealizować dzięki rozwiązaniu Azure Machine Learning.
Oficjalny dokument dotyczący rozwiązań uczenia maszynowego
Dowiedz się, jak tworzyć bezpieczniejsze, skalowalne i bardziej niezawodne rozwiązania uczenia maszynowego.
Odpowiedzialna sztuczna inteligencja — oficjalny dokument
Dowiedz się, jak tworzyć bezpieczniejsze, skalowalne i bardziej niezawodne rozwiązania dotyczące uczenia maszynowego.
Oficjalny dokument dotyczący metodyki MLOps
Przyspieszaj proces tworzenia, trenowania i wdrażania modeli na dużą skalę.
Uczenie maszynowe z obsługą usługi Azure Arc — oficjalny dokument
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 dla usługi Azure Machine Learning to 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.