Azure Machine Learning

Usługa uczenia maszynowego klasy korporacyjnej umożliwiająca szybsze kompilowanie i wdrażanie modeli

Przyspiesz całościowy cykl uczenia maszynowego

Zwiększaj możliwości deweloperów i analityków danych dzięki szerokiej gamie produktywnych środowisk, które pozwalają na szybsze kompilowanie, trenowanie i wdrażanie modeli uczenia maszynowego. Skracaj czas wprowadzania produktów na rynek i wspieraj współpracę zespołów dzięki wiodącej w branży metodyce MLOps—DevOps w dziedzinie uczenia maszynowego. Wprowadzaj innowacje na bezpiecznej, zaufanej platformie zaprojektowanej pod kątem odpowiedzialnego korzystania ze sztucznej inteligencji.

Produktywność na wszystkich poziomach umiejętności dzięki funkcjom typu „Code First”, projektantowi przeciągania i upuszczania oraz zautomatyzowanemu uczeniu maszynowemu

Niezawodne możliwości MLOps, które są integrowane z istniejącymi procesami metodyki DevOps i pomagają zarządzać całym cyklem życia usługi ML

Najnowocześniejsze możliwości interpretowania modelu i sprawiedliwej oceny, które pozwalają na kompilowanie odpowiedzialnych rozwiązań AI z rozszerzonymi zabezpieczeniami i zarządzaniem kosztami w celu wprowadzania zaawansowanego ładu i kontroli

Najlepsza w swojej klasie obsługa platformy typu open source oraz języków, takich jak MLflow, Kubeflow, ONNX, PyTorch, TensorFlow, Python i R

Zwiększanie produktywności i dostęp do usługi ML na wszystkich poziomach umiejętności

Szybko twórz i wdrażaj modele uczenia maszynowego za pomocą narzędzi spełniających Twoje oczekiwania bez względu na poziom umiejętności. Używaj projektanta bez kodu w celu rozpoczęcia pracy lub wbudowanych notesów Jupyter Notebook w celu pracy w środowisku typu „code-first”. Przyspieszaj tworzenie modeli za pomocą interfejsu użytkownika zautomatyzowanego uczenia maszynowego i używaj wbudowanych opcji inżynierii funkcji, wybierania algorytmów oraz oczyszczania hiperparametrów do tworzenia modeli o dużej dokładności.

Operacjonalizacja w odpowiedniej skali dzięki niezawodnej metodyce MLOps

Metodyka MLOps lub DevOps w przypadku uczenia maszynowego usprawnia cykl życia uczenia maszynowego, od kompilowania modeli do wdrażania i zarządzania. Używaj potoków usługi ML do kompilowania powtarzalnych przepływów pracy oraz zaawansowanego rejestru modeli do śledzenia zasobów. Zarządzaj produkcyjnymi przepływami pracy w odpowiedniej skali przy użyciu zaawansowanych możliwości obsługi alertów oraz automatyzacji uczenia maszynowego. Profiluj, weryfikuj i wdrażaj modele uczenia maszynowego w dowolnym miejscu, od chmury do brzegu sieci, aby zarządzać produkcyjnymi przepływami pracy usługi ML w odpowiedniej skali i w sposób gotowy do użycia w przedsiębiorstwa.

Kompilowanie odpowiedzialnych rozwiązań AI

Korzystaj z najnowocześniejszej technologii, aby uzyskiwać przezroczystość modeli uczenia maszynowego i sprawiedliwe oceny. Używaj możliwości interpretowania modelu, aby lepiej zrozumieć jego zachowanie dzięki wyjaśnieniom i przewidywaniom. Redukuj odchylenia w modelu, stosując typowe metryki dotyczące sprawiedliwości w celu automatycznego przeprowadzania porównań i używania zalecanych środków zaradczych.

Innowacje na otwartej i elastycznej platformie

Korzystaj z wbudowanej pomocy technicznej dotyczącej platform i narzędzi typu open source na potrzeby wnioskowania i trenowania modeli uczenia maszynowego. Używaj znanych platform, takich jak PyTorch, TensorFlow i scikit-learn, lub międzyoperacyjnego formatu ONNX. Wybieraj narzędzia deweloperskie, które najlepiej spełniają Twoje potrzeby, w tym popularne środowiska IDE, notesy Jupyter Notebook i interfejsy wiersza polecenia — lub języki, takie jak Python i R. Korzystaj ze środowiska uruchomieniowego ONNX, aby optymalizować i przyspieszać wnioskowanie na urządzeniach w sieci i na brzegu sieci.

Zaawansowane zabezpieczenia, ład i kontrola

  • Twórz modele uczenia maszynowego, korzystając z obsługi odpowiednich dla przedsiębiorstwa zabezpieczeń, zgodności i sieci wirtualnych platformy Azure.
  • Chroń zasoby przy użyciu wbudowanych opcji kontroli dostępu do tożsamości, danych i sieci, w tym ról niestandardowych.
  • Ograniczaj dostęp tylko do sieci firmowej lub stosuj zasady zabezpieczeń platformy Azure.
  • Zarządzaj ładem i kontrolą dzięki możliwości zarządzania dziennikami inspekcji, limitami przydziału i kosztami oraz kompleksowemu portfelowi rozwiązań umożliwiających zachowanie zgodności.

Płać wyłącznie za potrzebne zasoby bez kosztów ponoszonych z góry

Szczegóły można znaleźć na stronie szczegółów cen usługi Azure Machine Learning.

Jak korzystać z usługi Azure Machine Learning

Przejdź do środowiska internetowego w studio

Tworzenie i szkolenie

Wdrażanie i zarządzanie

Krok 1 z 1

Możesz tworzyć nowe modele i przechowywać docelowe obiekty obliczeniowe, modele, wdrożenia, metryki i historie wykonywania w chmurze.

Krok 1 z 1

Zautomatyzowane uczenie maszynowe pozwala identyfikować algorytmy i hiperparametry oraz śledzić eksperymenty w chmurze. Możesz również tworzyć modele przy użyciu notesów lub projektanta przeciągania i upuszczania.

Krok 1 z 1

Wdrażaj modele uczenia maszynowego w chmurze lub na brzegu sieci, monitoruj ich wydajność i przeprowadzaj ich ponowne trenowanie, jeśli zajdzie taka potrzeba.

Zacznij korzystać z usługi Azure Machine Learning już dzisiaj

Uzyskaj błyskawiczny dostęp i środki w wysokości $200, tworząc bezpłatne konto platformy Azure.
Zaloguj się w witrynie Azure Portal.
Zapoznaj się z dokumentacją i samouczkami.

Klienci korzystający z usługi Azure Machine Learning

"If I have 200 models to train—I can just do this all at once. It can be farmed out to a huge compute cluster, and it can be done in minutes. So I'm not waiting for days."

Dean Riddlesden, starszy analityk danych, analiza globalna, Walgreens Boots Alliance

Przeczytaj historię

Walgreens Boots Alliance

"With Azure Machine Learning, we can focus our testing on the most accurate models and avoid testing a large range of less valuable models. That saves months of time."

Matthieu Boujonnier, architekt aplikacji analitycznych i analityk danych, Schneider Electric

Przeczytaj historię

Schneider Electric

"A key part of our transformation has been to embrace the cloud and the digital solutions and services that come with it. This includes a deep dive into AI and machine learning."

Diana Kennedy, wiceprezes ds. strategii IT, architektura i planowanie, BP

Przeczytaj historię

BP

"By unifying our tech stack and bringing our engineers in Big Data and online software together with data scientists, we got our development time down from months to just a few weeks."

Naeem Khedarun, główny inżynier ds. oprogramowania (AI), ASOS

Przeczytaj historię

Asos

"The [Large Hadron Collider in Europe] pushes technology on many fronts...and produces data rates that are the largest in the world. We are an example of how to do analysis of large datasets."

Phil Harris, adiunkt w katedrze fizyki, MIT

Przeczytaj historię

Fermilab

Firma Borrowell pomaga klientom poprawić zdolność kredytową dzięki zastosowaniu sztucznej inteligencji

Innowacyjna technologia AI firmy Borrowell używa ocen kredytowych, aby oferować klientom w Kanadzie rekomendacje zwiększające ich zdolność kredytową i możliwości finansowe.

Przeczytaj historię

Borrowell

Aktualizacje, blogi i ogłoszenia dotyczące usługi Azure Machine Learning

Często zadawane pytania dotyczące usługi Azure Machine Learning

  • Ta usługa jest ogólnie dostępna w niektórych krajach/regionach i ich liczba ciągle się zwiększa.
  • Umowa dotycząca poziomu usług (SLA) usługi Azure Machine Learning gwarantuje jej dostępność przez 99,9 procent czasu.
  • Studio usługi Azure Machine Learning jest zasobem najwyższego poziomu dla usługi uczenia maszynowego. Oferuje ono scentralizowane miejsce, w którym analitycy danych i deweloperzy mogą pracować ze wszystkimi artefaktami na potrzeby kompilowania, trenowania i wdrażania modeli uczenia maszynowego.

Wszystko gotowe — utwórz bezpłatne konto platformy Azure