Azure Machine Learning
Korzystaj z usługi klasy korporacyjnej na potrzeby kompleksowego cyklu życia uczenia maszynowego
Twórz na dużą skalę modele uczenia maszynowego krytyczne dla działania firmy
Zapewnij badaczom danych i deweloperom możliwość szybszego i pewniejszego tworzenia i wdrażania wysokiej jakości modeli oraz zarządzania nimi. Przyspiesz zwrot z inwestycji dzięki wiodącej w branży metodyce MLOps (operacji uczenia maszynowego), współdziałaniu typu open-source oraz zintegrowanym narzędziom. Wprowadzaj innowacje na bezpiecznej, zaufanej platformie zaprojektowanej z myślą o aplikacjach odpowiedzialnej sztucznej inteligencji w uczeniu maszynowym.
Szybkie tworzenie i trenowanie modeli
Skorzystaj ze środowiska programistycznego studia, aby uzyskać dostęp do wbudowanych narzędzi i najlepszej w swojej klasie obsługi platform i bibliotek typu open-source.
Dostarczanie odpowiedzialnych rozwiązań
Opracowuj modele pod kątem uczciwości i możliwości wyjaśnienia, używaj ich odpowiedzialnie po wdrożeniu i nadzoruj, aby spełnić wymagania dotyczące zgodności w zakresie pochodzenia i inspekcji.
Operacjonalizacja na dużą skalę
Szybko i łatwo wdrażaj modele uczenia maszynowego oraz zarządzaj nimi przy użyciu metodyki MLOps.
Wprowadzanie innowacji na bezpieczniejszej platformie hybrydowej
Uruchamiaj obciążenia uczenia maszynowego w dowolnym miejscu dzięki wbudowanym mechanizmom nadzoru, bezpieczeństwu i zgodności.
Do trzech razy więcej zwrotu z inwestycji w projekty z zakresu uczenia maszynowego
70% mniej kroków dla trenowania modeli
90% mniej wierszy kodu dla potoków
60 certyfikatów zgodności
Jedyna platforma z rozwiązaniem PyTorch Enterprise
Obsługa kompleksowego cyklu życia uczenia maszynowego

Etykietowanie danych
Etykietuj dane szkoleniowe i zarządzaj projektami etykietowania.
Przygotowywanie danych
Używaj z aparatami analizy na potrzeby eksploracji i przygotowywania danych.
Zestawy danych
Uzyskuj dostęp do danych oraz twórz i udostępniaj zestawy danych.

Notebooks
Korzystaj ze wspólnych aplikacji Jupyter Notebooks z dołączonymi środowiskami obliczeniowymi.
Zautomatyzowane uczenie maszynowe
Automatycznie trenuj i dostrajaj dokładne modele.
Projektant przeciągania i upuszczania
Projektowanie przy użyciu interfejsu programowania metodą przeciągania i upuszczania.
Eksperymenty
Uruchamiaj eksperymenty oraz twórz i udostępniaj niestandardowe pulpity nawigacyjne.
Interfejs wiersza polecenia
Przyspiesz proces trenowania modelu, jednocześnie skalując w górę i w poziomie w środowisku obliczeniowym platformy Azure.
Program Visual Studio Code i usługa GitHub
Korzystaj ze znanych narzędzi i łatwo przełączaj się ze szkoleń lokalnych do tych w chmurze.
Wystąpienie obliczeniowe
Twórz w zarządzanym i bezpiecznym środowisku za pomocą procesorów CPU w chmurze, procesorów GPU i klastrów superkomputerów.
Biblioteki i struktury typu open source
Uzyskaj wbudowaną obsługę technologii 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.
Pipelines 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 modelu
Udostępniaj i śledź modele oraz dane.
Hybrydowe i wielochmurowe
Trenuj i wdrażaj modele lokalnie i w środowiskach wielochmurowych.
Optymalizowanie modeli
Przyspiesz trenowanie i wnioskowanie oraz obniż koszty za pomocą środowiska uruchomieniowego 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
Korzystaj z wbudowanych i niestandardowych zasad na potrzeby zarządzania zgodnością.
Zabezpieczenia
Korzystaj z ciągłego monitorowania za pomocą usługi Azure Security Center.
Kontrola kosztów
Zastosuj zarządzanie limitami przydziałów i automatyczne zamykanie.
Przyspiesz zwrot z inwestycji dzięki szybkiemu i dokładnemu opracowywaniu modeli
Zwiększ produktywność dzięki możliwościom studia — środowiska programistycznego obsługującego wszystkie zadania uczenia maszynowego w celu tworzenia, trenowania i wdrażania modeli. Współpracuj z aplikacją Jupyter Notebook, korzystając z wbudowanej obsługi popularnych platform i bibliotek typu open-source. Twórz szybko dokładne modele za pomocą zautomatyzowanego uczenia maszynowego, korzystając z możliwości doboru cech i czyszczenia hiperparametrów. Uzyskaj dostęp do debugera, profilera i wyjaśnień, aby poprawić wydajność modelu w miarę trenowania. Korzystaj z zaawansowanych funkcji programu Visual Studio Code, aby płynnie przechodzić od trenowania lokalnego do trenowania w chmurze, oraz korzystaj z autoskalowania za pomocą zaawansowanych chmurowych klastrów procesorów CPU i GPU.


Operacjonalizacja na dużą skalę dzięki operacjom uczenia maszynowego (MLOps)
Usprawnij lokalne wdrażanie tysięcy modeli i zarządzanie nimi na urządzeniach brzegowych i w środowiskach wielochmurowych, korzystając z metodyki MLOps. Szybciej wdrażaj i oceniaj modele uczenia maszynowego dzięki zastosowaniu w pełni zarządzanych punktów końcowych do prognozowania wsadowego i w czasie rzeczywistym. Używaj powtarzalnych potoków, aby zautomatyzować przepływy pracy na potrzeby ciągłej integracji i ciągłego wdrażania. Stale monitoruj metryki wydajności modelu, wykrywaj dryf danych i wyzwalaj ponowne trenowanie, aby zwiększyć wydajność modelu. Umożliwiaj przez cały cykl życia inspekcję i nadzór dzięki wbudowanej funkcji śledzenia i określania pochodzenia dla wszystkich artefaktów uczenia maszynowego.
Dostarczanie odpowiedzialnych rozwiązań uczenia maszynowego
Oceniaj modele uczenia maszynowego za pomocą powtarzalnych i zautomatyzowanych przepływów pracy, aby ocenić uczciwość modelu, możliwość wyjaśnienia, analizę błędów, analizę przyczyn, wydajność modelu i eksploracyjną analizę danych. Wykonuj rzeczywiste interwencje i twórz zasady korzystając z analizy przyczyn na pulpicie nawigacyjnym odpowiedzialnej sztucznej inteligencji oraz generuj kartę wyników w momencie wdrażania. Wyeksportuj kartę wyników do pliku PDF, aby rozpatrzeć metryki odpowiedzialnej sztucznej inteligencji w szerszym kontekście, i udostępnij go odbiorcom technicznym, jak i nietechnicznym, aby zaangażować uczestników projektu i usprawnić przegląd zgodności.


Wprowadzanie innowacji na platformie hybrydowej zapewniającej większe bezpieczeństwo i zgodność
Zwiększ bezpieczeństwo w całym cyklu życia uczenia maszynowego dzięki kompleksowym funkcjom obejmującym tożsamość, uwierzytelnianie, dane, sieci, monitorowanie, ład i zgodność. Twórz bezpieczniejsze rozwiązania uczenia maszynowego, korzystając z niestandardowej kontroli dostępu na podstawie ról, sieci wirtualnych, szyfrowania danych, prywatnych punktów końcowych i kompleksowych funkcji prywatnych adresów IP. Trenuj i wdrażaj modele lokalnie, aby spełnić wymagania dotyczące niezależności danych. Zarządzaj ładem dzięki wbudowanym zasadom i usprawnij zapewnianie zgodności dzięki kompleksowej ofercie obejmującej 60 certyfikatów, w tym FedRAMP High i HIPAA.
Doskonal swoje umiejętności uczenia maszynowego na platformie Azure
Dowiedz się więcej o uczeniu maszynowym na platformie Azure i weź udział w praktycznych szkoleniach w ramach tej 30-dniowej podróży edukacyjnej. Ukończenie jej przygotowuje do uzyskania certyfikatu Azure Data Scientist Associate.
Najważniejsze funkcje usługi dla całego 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
Wykonuj interaktywne przygotowywanie danych za pomocą interfejsu PySpark, korzystając z usługi 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 jego utworzenia.
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 na zaawansowane klastry obliczeniowe, obsługuj scenariusze z wieloma agentami, uzyskuj dostęp do algorytmów, struktur i środowisk uczenia przez wzmacnianie typu open-source.
Odpowiedzialne uczenie maszynowe
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 trenowania i eksperymentów. Twórz niestandardowe pulpity nawigacyjne i udostępniaj je swojemu zespołowi.
Rejestr modeli i dziennik inspekcji
Używaj rejestru centralnego do przechowywania i śledzenia danych, modeli oraz metadanych. Automatycznie przechwytuj dane o pochodzeniu i dane dotyczące ładu za pomocą dziennika inspekcji.
Git i GitHub
Korzystaj z integracji z usługą Git, aby śledzić pracę, oraz obsługi funkcji GitHub Actions, aby implementować przepływy pracy uczenia maszynowego.
Zarządzane punkty końcowe
Używaj zarządzanych punktów końcowych do operacjonalizowania wdrażania i oceniania modelu, rejestrowania metryk dziennika i przeprowadzania bezpiecznych wdrożeń modelu.
Obliczanie skalowania automatycznego
Używaj obliczeń zarządzanych do rozpowszechniania szkoleń i szybkiego testowania, weryfikowania oraz wdrażania modeli. Udostępniaj klastry procesorów CPU i GPU w obszarze roboczym i skaluj automatycznie w celu zaspokojenia potrzeb dotyczących uczenia maszynowego.
Współdziałanie z innymi usługami platformy Azure
Zwiększ produktywność dzięki usłudze Microsoft Power BI oraz 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 za pomocą usługi Azure Arc. Użyj prostego agenta uczenia maszynowego, aby rozpocząć trenowanie modeli w bezpieczniejszy sposób — niezależnie od tego, gdzie znajdują się dane.
Bezpieczeństwo 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, rolom niestandardowym oraz tożsamości zarządzanej dla zasobów obliczeniowych.
Zarządzanie kosztami
Zmniejsz koszty działu IT i lepiej zarządzaj alokacjami zasobów dla wystąpień obliczeniowych za pomocą limitów przydziału na poziomie obszaru roboczego i zasobów oraz automatycznego zamykania.

Przewodnik usprawniający korzystanie z usługi Azure Machine Learning
Poznaj eksperckie techniki tworzenia zautomatyzowanych i wysoce skalowalnych kompleksowych modeli uczenia maszynowego oraz potoków na platformie Azure przy użyciu biblioteki TensorFlow oraz platform Apache Spark i Kubernetes.

Oficjalny dokument dotyczący inżynierii operacji MLOps
Odkryj systematyczne podejście do tworzenia, wdrażania i monitorowania rozwiązań uczenia maszynowego z zastosowaniem metodyki MLOps. Szybko twórz i testuj gotowe do produkcji cykle życia uczenia maszynowego oraz zarządzaj nimi na dużą skalę.

Raport Forrester WaveTM 2020 r.
Zobacz, dlaczego firma Forrester wskazuje usługę Azure Machine Learning jako lidera w raporcie Forrester WaveTM: Analiza predykcyjna i uczenie maszynowe oparte na notesach, 3. kwartał 2020 r.

Badanie Total Economic ImpactTM (TEI) firmy Forrester
W badaniu Total Economic ImpactTM (TEI) wykonanym przez Forrester Consulting na zlecenie firmy Microsoft zbadano potencjalny zwrot z inwestycji (ROI), jaki przedsiębiorstwa mogą uzyskać dzięki usłudze Azure Machine Learning.

Oficjalny dokument dotyczący rozwiązań w usłudze Machine Learning
Dowiedz się, jak tworzyć bezpieczne, skalowalne i słuszne rozwiązania.

Oficjalny dokument dotyczący odpowiedzialnej sztucznej inteligencji
Przeczytaj o narzędziach i metodach pozwalających zrozumieć, chronić i kontrolować modele.

Oficjalny dokument dotyczący metodyki MLOps
Przyspiesz proces tworzenia, trenowania i wdrażania modeli na dużą skalę.
Wbudowane kompleksowe funkcje dotyczące 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.
Jak korzystać z usługi Azure Machine Learning
Przejdź do środowiska internetowego w studio
Tworzenie i szkolenie
Wdrażanie i zarządzanie

Płać wyłącznie za potrzebne zasoby bez kosztów ponoszonych z góry
Rozpocznij korzystanie z bezpłatnego konta platformy Azure
Rozpocznij bezpłatnie. Pobierz środki w wysokości $200 do wykorzystania w ciągu 30 dni. W tym czasie możesz skorzystać z dowolnej ilości naszych najpopularniejszych usług oraz 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.
Klienci korzystający z usługi Azure Machine Learning
Nic Bourven, dyrektor ds. informacji, AXA UK"We make it our mission to try new ideas and go beyond to differentiate AXA UK from other insurers. We see managed endpoints in Azure Machine Learning as a key enabler for our digital ambition."

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."

Dr Deepa Kasinathan, menedżer produktu i lider grupy, Robotron Datenbank-Software GmbH"The end-to-end pipeline (built with Azure Machine Learning) has all the features needed to develop and maintain machine learning models throughout their lifecycles."

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."

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."

Ułatwienie życia pasażerom kolei
Firma DB Systel, partner niemieckiego przedsiębiorstwa kolejowego Deutsche Bahn, opracowała rozwiązanie pomagające pasażerom — Digital Guide Dog. Dzięki usłudze Azure Machine Learning wytrenowanie nowego modelu przy użyciu sieci neuronowych zajmuje tylko kilka godzin.

Zasoby usługi Azure Machine Learning
Samouczki dla początkujących
- Wprowadzenie do uczenia maszynowego i zestawu SDK dla języka Python
- Wprowadzenie do notesów Jupyter Notebook
- Wprowadzenie do zautomatyzowanego uczenia maszynowego
- Używanie narzędzia projektanta do uczenia maszynowego metodą przeciągania i upuszczania
- Trenowanie modeli przy użyciu 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
- Zapoznaj się z przykładami zautomatyzowanego uczenia maszynowego w aplikacji Jupyter Notebook w usłudze GitHub
Polecane wideo
- Wstępnie utworzone obrazy platformy Docker na potrzeby wnioskowania
- Zarządzane punkty końcowe
- Rozwiązanie PyTorch Enterprise na platformie Azure
- Uruchamianie uczenia maszynowego w dowolnym miejscu
- Demokratyzowanie sztucznej inteligencji za pomocą projektanta usługi Machine Learning
- Dowiedz się, jak zostać specjalistą w dziedzinie uczenia maszynowego
- Notesy usługi Azure Machine Learning studio
- Zarządzaj zasobami, artefaktami i kodem
- Wprowadzenie do modeli i ich analiza
- Zwiększenie produktywności dzięki etykietowaniu danych
Współdziałanie
Dodatkowe zasoby
Aktualizacje, blogi i ogłoszenia dotyczące usługi Azure Machine Learning
-
AKTUALIZACJA
Public preview: Azure Machine Learning updates
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) dla usługi Azure Machine Learning gwarantuje jej dostępność przez 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.