Nowe funkcje usługi Azure Machine Learning są teraz dostępne w wersji zapoznawczej

Funkcje obejmują:

• Zestawy danych licencji Open — zestawy danych licencji Open to kolekcja zestawów danych z domeny publicznej, umożliwiająca przyspieszenie opracowywania modeli uczenia maszynowego na platformie Azure. Zestawy danych licencji Open można zintegrować ze środowiskiem Machine Learning Studio lub uzyskać do nich dostęp z poziomu notesów języka Python w usłudze Azure Machine Learning. Zestawy danych licencji Azure Open oferują wysokiej jakości dane z domeny publicznej, które są często trudne do znalezienia i drogie w utrzymaniu. Analitycy danych będą bardziej produktywni, mogąc skoncentrować się na budowaniu modeli zamiast na przygotowywaniu danych.
• Interfejs wizualny: nowy interfejs wizualny usługi Azure Machine Learning zawiera nowe funkcje przepływu pracy typu „przeciągnij i upuść” w usłudze Azure Machine Learning. Upraszczają one proces budowania, testowania i wdrażania modeli uczenia maszynowego dla klientów, którzy wolą środowisko wizualne zamiast środowiska programistycznego. Ta integracja łączy najlepsze rozwiązania środowiska ML Studio i usługi AML. Środowisko typu „przeciągnij i upuść” umożliwia każdemu analitykowi danych szybkie zbudowanie modelu bez konieczności programowania. To narzędzie daje również analitykom elastyczność w zakresie dokładnego dostosowywania modelu. Usługa AML jako platforma zaplecza oferuje wszystkie funkcje skalowalności, zabezpieczeń i debugowania, których nie może zaoferować środowisko ML Studio. Łatwe wdrożenie w interfejsie wizualnym umożliwia łatwe generowanie pliku score.py i tworzenie obrazów. Za pomocą kilku kliknięć wyszkolony model można wdrożyć w dowolnym klastrze usługi AKS powiązanym z usługą AML.
• Zautomatyzowane uczenie maszynowe — interfejs użytkownika: 
  • Wdrażanie modeli w postaci usług internetowych w celu przewidywania nowych danych
  • Uzyskanie optymalnego modelu do klasyfikowania, regresji i prognozowania problemów za pomocą kilku kliknięć
  • Analizowanie wygenerowanych modeli
  • Amatorscy analitycy danych: generuj modele uczenia maszynowego bez konieczności pisania kodu w języku Python (ani żadnego innego). Analitycy danych: szybko odkrywaj i generuj setki modeli, a następnie optymalizuj najlepsze z nich w programie Jupyter Notebook
• Maszyny wirtualne notesu: w połowie kwietnia w usłudze Azure Machine Learning zostanie udostępniona prywatna wersja zapoznawcza usługi hostowanych notesów. Oczekujemy, że publiczna wersja zapoznawcza będzie dostępna w maju. Notesy hostowane udostępniają środowisko typu „najpierw kod”, w którym użytkownicy mogą wykonywać każdą operację obsługiwaną przez zestaw SKD języka Python usługi Azure Machine Learning przy użyciu znanego im notesu programu Jupyter. Notesy hostowane upraszczają proces rozpoczęcia pracy poprzez zapewnienie bezpiecznego, gotowego do użycia w przedsiębiorstwie środowiska osobom korzystającym z usługi ML. W prywatnej wersji zapoznawczej klienci będą mogli: uzyskać dostęp do notesu zintegrowanego z obszarem roboczym usługi Azure ML, korzystać ze wstępnie skonfigurowanych notesów usługi Azure ML bez konieczności wcześniejszej konfiguracji oraz w pełni dostosowywać swoje maszyny wirtualne notesów, łącznie z możliwością dodawania pakietów i sterowników.

​Teraz można korzystać z platformy MLflow w obszarze roboczym usługi Azure Machine Learning w celu rejestrowania metryk i artefaktów z przebiegów treningowych w scentralizowanej, bezpiecznej, skalowalnej lokalizacji. Śledzenie platformy MLflow może być wykonywane z poziomu komputera lokalnego, maszyny wirtualnej lub zdalnego środowiska obliczeniowego.

• Usługa Data Box Edge z układem FPGA: układy FPGA to opcja wnioskowania uczenia maszynowego wykorzystująca architekturę sprzętową firmy Microsoft o nazwie Project Brainwave. Analitycy danych i deweloperzy mogą użyć układów FPGA, aby przyspieszyć obliczenia sztucznej inteligencji wykonywane w czasie rzeczywistym. Te modele z przyspieszaniem sprzętowym są teraz ogólnie dostępne w chmurze, wraz modelami wdrożonymi w usłudze Data Box Edge w wersji zapoznawczej. Układy FPGA oferują wydajność, elastyczność i skalowalność i są dostępne wyłącznie w usłudze Azure Machine Learning. Umożliwiają osiągnięcie niskich opóźnień w żądaniach wnioskowania w czasie rzeczywistym, zmniejszając konieczność wysyłania żądań asynchronicznych (dzielenia na partie).