Operações de aprendizado de máquina (MLOps)
Acelere a automação, a colaboração e a reprodutibilidade dos fluxos de trabalho de aprendizado de máquina
Implantação e gerenciamento simplificados de milhares de modelos em ambientes de produção, desde o local até a borda
Pontos de extremidade totalmente gerenciados para previsões em lote e em tempo real para implantar e pontuar modelos mais rapidamente
Pipelines reproduzíveis para automatizar fluxos de trabalho de aprendizado de máquina para integração/entrega contínua (CI/CD)
Monitora continuamente as métricas de desempenho do modelo, detecta o desvio de dados e aciona a reciclagem para melhorar o desempenho do modelo
Forneça inovação rapidamente
O MLOPS, operações de aprendizado de máquina ou DevOps para aprendizado de máquina, é a interseção de pessoas, processos e plataformas para obter valor comercial com o aprendizado de máquina. Ele simplifica o desenvolvimento e a implantação por meio de monitoramento, validação e governança de modelos de aprendizado de máquina.
Crie fluxos de trabalho e modelos de aprendizado de máquina
Use conjuntos de dados e registros de modelos avançados para rastrear ativos. Habilite a rastreabilidade aprimorada com rastreamento de código, dados e métricas no histórico de execuções. Crie pipelines de aprendizado de máquina para projetar, implantar e gerenciar fluxos de trabalho de modelos reproduzíveis para entrega consistente de modelos.
Implante facilmente modelos altamente precisos em qualquer lugar
Implante rapidamente com confiança. Use pontos de extremidade online gerenciados para implantar modelos em poderosas máquinas de CPU e GPU sem gerenciar a infraestrutura subjacente. Embale modelos rapidamente e garanta alta qualidade em todas as etapas usando ferramentas de criação de perfil e validação de modelos. Use a distribuição controlada para promover modelos na produção.
Gerencie com eficiência todo o ciclo de vida do aprendizado de máquina
Aproveite a interoperabilidade integrada com o Azure DevOps e o GitHub Actions para gerenciar e automatizar fluxos de trabalho de forma integrada. Otimize o treinamento do modelo e os pipelines de implantação, crie para CI/CD para facilitar a reciclagem e encaixe facilmente o aprendizado de máquina em seus processos de lançamento existentes. Use análise avançada de desvio de dados para melhorar o desempenho do modelo com o passar do tempo.
Alcance a governança em todos os ativos
Acompanhe o histórico de versões e a linhagem do modelo para fins de auditoria. Defina cotas de computação nos recursos e aplique políticas para garantir a adesão aos padrões de segurança, privacidade e conformidade. Use os recursos avançados para atender aos objetivos de governança e controle e promover a transparência e a justiça do modelo.
Beneficie-se da interoperabilidade com o MLflow
Crie fluxos de trabalho de aprendizado de máquina de ponta a ponta flexíveis e mais seguros usando o MLflow e Azure Machine Learning. Dimensione perfeitamente suas cargas de trabalho existentes, desde a execução local até a nuvem e a borda inteligentes. Armazene seus experimentos do MLflow, execute métricas, parâmetros e artefatos de modelo no workspace centralizado do Azure Machine Learning.
Acelere MLOps colaborativos em todos os espaços de trabalho
Facilite a colaboração entre espaços de trabalho e MLOps com registros. Hospede ativos de aprendizado de máquina em um local central, disponibilizando-os para todos os espaços de trabalho da sua organização. Promova, compartilhe e descubra modelos, ambientes, componentes e conjuntos de dados entre equipes. Reutilizar pipelines e implantar modelos criados por equipes em outros espaços de trabalho, mantendo intacta a linhagem e a rastreabilidade.
Centro de recursos
Veja as operações de aprendizado de máquina em ação
Crie pipelines de aprendizado de máquina para projetar, implantar e gerenciar fluxos de trabalho de modelos
Crie pipelines de aprendizado de máquina para projetar, implantar e gerenciar fluxos de trabalho de modelos
Automatizando um pipeline de aprendizado de máquina
Sam é um cientista de dados que trabalha para um varejista de moda online. Recentemente, a empresa começou a usar o aprendizado de máquina para fornecer recomendações precisas e rápidas, melhorando a satisfação do cliente e as vendas.
Após uma atualização de catálogo, Sam foi solicitado a atualizar o modelo de recomendação personalizado, mas ninguém sabe de onde veio o modelo atual. Ele recorre ao Azure Machine Learning para criar um fluxo de trabalho reproduzível e rastreável.
Sam é um cientista de dados em um varejista online encarregado de atualizar o modelo de recomendação após uma atualização recente do catálogo. Sam está procurando o pipeline de modelo, mas ninguém sabe a origem do modelo.
Sam recorre ao Azure ML para criar um fluxo de trabalho de modelo rastreável.
Use o Azure Machine Learning com suas ferramentas existentes
Sam usa o SDK do Azure Machine Learning para mover seu trabalho baseado em Jupyter Notebook para o Azure Machine Learning, aproveitando seus recursos de dimensionamento e colaboração. Usando a estrutura de sua escolha, ele faz o controle de versão do seu código de treinamento e conjuntos de dados e os vincula a um experimento rastreável.
Capturar as métricas de cada execução de experimento
Toda vez que Sam realiza uma execução, o Azure Machine Learning rastreia suas métricas e as registra para revisão. Isso captura as entradas (como conjuntos de dados, código e parâmetros) e saídas (como logs, métricas e modelos) para avaliação e comparações.
Revise modelos e experimentos no workspace
Enquanto Sam continua trabalhando no ambiente de seu notebook, sua equipe usa o Estúdio do Azure Machine Learning para rastrear facilmente o modelo final no registro de modelo por meio de cada ativo e etapa usado para criá-lo.
Crie pipelines reutilizáveis para eficiência e consistência
O Sam cria um pipeline de aprendizado de máquina reutilizável para fornecer um fluxo de trabalho de treinamento de modelo e dispará-lo automaticamente após alterações nos dados de origem. Se necessário, ele pode reutilizar o resultado das etapas sem alterar as entradas.
Criar pipelines de machine learning reproduzíveis
Sam criou um fluxo de trabalho reproduzível e rastreável usando o Azure Machine Learning. Cada modelo que a equipe produz agora está vinculado a uma execução de teste para revisão e iteração. Com um pipeline reproduzível, Sam permite que o Azure Machine Learning automatize o retreinamento enquanto ele se concentra na próxima novidade.
O Azure Machine Learning ajuda você a criar pipelines de aprendizado de máquina de nível empresarial por meio de reprodutibilidade e rastreabilidade. Isso leva a uma entrega de modelo mais consistente com menos variabilidade e maior tolerância a falhas.
Saiba mais sobre os pipelines de aprendizado de máquina Navegue no repositório do GitHub para esta demonstração
Ao utilizar o Azure ML, Sam criou um fluxo de trabalho reproduzível e rastreável. Cada modelo que a equipe produz agora está vinculado a uma execução de experimento, permitindo à equipe examinar e iterar. Com um pipeline reproduzível, Sam pode permitir que o Azure ML automatize o novo treinamento enquanto ele se concentra na próxima descoberta importante.
O Azure ML ajuda você a criar pipelines de machine learning de nível empresarial por meio de reprodução e rastreabilidade. Isso leva a uma entrega de modelo mais consistente com menos variabilidade e maior tolerância a falhas.
Saiba mais sobre os pipelines de aprendizado de máquina Navegue no repositório do GitHub para esta demonstração
Implante rapidamente com confiança usando dimensionamento automático e clusters de inferência gerenciados e distribuídos
Implante rapidamente com confiança usando dimensionamento automático e clusters de inferência gerenciados e distribuídos
Implantação de um ponto de extremidade de serviço Web para um modelo
Sam, um cientista de dados que trabalha para um varejista de moda online, adicionou o Azure Machine Learning ao seu fluxo de trabalho para criar modelos melhores. Seu pipeline automatizado acabou de registrar um modelo final com resultados experimentais anexados mostrando um desempenho aprimorado.
A equipe de desenvolvimento para a Web não sabe como inserir um modelo de aprendizado de máquina no aplicativo Web e solicitou um serviço Web em vez disso. O Sam recorre à ajuda do Azure Machine Learning para adicionar um ponto de extremidade de serviço Web ao seu modelo.
Sam, um cientista de dados de um varejista online, usou o Azure ML para criar e registrar um modelo. Sua equipe de desenvolvimento web agora lhe pediu um ponto de extremidade da Web para chamar seu modelo para inferência. Sam utiliza o Azure ML para criar este ponto de extremidade de serviço Web.
Buscar o modelo mais recente e criar o perfil dele para produção
Sam busca o modelo mais recente do registro e faz o perfil dele para ver quais tipos de recursos o modelo pode precisar na produção.
Envie o modelo por push para as Instâncias de Contêiner do Azure
Com os dados da criação de perfil em mãos, Sam usa o Azure Machine Learning para empacotar o modelo em um contêiner e implantá-lo nas Instâncias de Contêiner do Azure para inferência em tempo real ou em lote. Após a implantação, ele aproveita os recursos automáticos de geração e monitoramento esquema no Azure Machine Learning.
Implantar em pontos de extremidade escalonáveis e diversificados e implementar testes A/B
Com apenas algumas linhas de código, Sam envia o mesmo modelo por push para uma instância do AKS (Serviço de Kubernetes do Azure) mais escalonável e execita recursos avançados de teste A/B para validação do novo modelo. Agora, ele pode implantar modelos onde quer que eles sejam necessários, da nuvem à borda, usando opções de computação, incluindo CPU, GPU e FPGA.
Habilitar a equipe de desenvolvimento da Web a usar o modelo implantado
Depois que o modelo é implantado em uma instância do AKS, a equipe de desenvolvimento Web acessa o ponto de extremidade do serviço Web para chamar por meio de seu aplicativo as necessidades de inferência em tempo real ou em lote. O Sam monitora o ponto de extremidade do modelo quanto ao descompasso de dados e outras métricas, que podem ser auditadas conforme necessário.
Publique modelos onde quer que sejam necessários
Sam transformou seu modelo de código aberto em um serviço Web pronto para produção destinado a sua equipe de desenvolvimento. Ele manteve o foco no desenvolvimento de modelos em vez de aprender as muitas tecnologias necessárias para hospedagem de serviços, incluindo Kubernetes, Flask e Swagger.
O Azure Machine Learning ajuda você a fazer a transição direta de seus modelos para serviços Web maduros e completos, permitindo que eles sejam rapidamente adotados em aplicativos.
Com o Azure ML, Sam obteve seu modelo de software livre e rapidamente o transformou em um serviço Web pronto para produção pronto para uso de sua equipe de desenvolvimento. Como um cientista de dados, ele conseguiu manter o foco no desenvolvimento de modelos, em vez de ter precisar ampliar as habilidades nas muitas tecnologias necessárias para a hospedagem de serviços (incluindo Kubernetes, Flask e/ou Swagger).
O Azure ML ajuda os cientistas de dados a fazer a transição direta de seus modelos para serviços Web maduros e com recursos completos, permitindo que sejam rapidamente adotados em aplicativos.
Interaja com o Azure DevOps e o GitHub Actions para automatizar fluxos de trabalho de aprendizado de máquina
Interaja com o Azure DevOps e o GitHub Actions para automatizar fluxos de trabalho de aprendizado de máquina
Integração com o fluxo de trabalho do DevOps
Sam, cientista de dados que trabalha para um varejista de moda online, usou o Azure Machine Learning para criar e implantar seus modelos. Recentemente, ele lançou seu modelo para uma instância de produção do Serviço de Kubernetes do Azure (AKS), e a equipe Web o integrou ao aplicativo Web com resultados promissores.
Rebecca, que está na equipe de operações, quer garantir que a compilação e implantação do modelo façam parte dos fluxos de trabalho do DevOps. Sam não sabe como incorporá-lo, portanto, ele treina Rebecca no Azure Machine Learning e trabalha com ela para determinar como ele pode atender a ambos os requisitos.
Sam, um cientista de dados, usou recentemente o Azure ML para criar e implantar modelos. Ele acabou de lançar um modelo para a instância de produção do AKS. Rebecca quer integrá-lo com seus fluxos de trabalho do DevOps. Sam a aponta para o Azure ML.
Criar um pipeline de lançamento com o Azure Pipelines
Rebeca cria um pipeline Azure Pipelines automatizar o processo de implantação. A primeira etapa do pipeline realiza tarefas como criar o modelo com todas as dependências e verificar erros. Para disparar automaticamente esse pipeline, Rebeca o conecta ao registro de modelo Azure Machine Learning, garantindo que ele seja iniciado sempre que um novo modelo ou uma nova versão do modelo for registrado.
Publicar o modelo para validação
A Rebecca adiciona uma tarefa para publicar o modelo Instâncias de Contêiner do Azure para validação antes de entrar em produção. Ela usa o CLI do Azure para interagir com o Azure Machine Learning. O CLI dá a ela acesso aos mesmos recursos dentro das suas ferramentas que Sam tem em seu bloco de anotações. Esta etapa imita os testes de integração no processo de DevOps do aplicativo.
Mova o modelo para produção após a validação
Rebecca adiciona uma tarefa de pipeline de lançamento para implantar o modelo em produção usando o AKS. Antes que essa tarefa seja ativada, a Rebecca configura um portão que exige que um cliente potencial ou gerente avalie e aprove antes de continuar. Isso garante que o pipeline não cause grandes interrupções se um problema não for detectado nas validações com script.
Configure a detecção de desvio de dados para disparar a o retreinamento
À medida que Rebecca configura o pipeline automatizado para implantar os modelos, Sam habilita o monitoramento de desvio de dados com o Azure Machine Learning. Ao monitorar o uso do serviço, ele pode ver se as solicitações de inferência na produção começam a se desviar do conjunto de dados de treinamento, indicando a necessidade de treinar novamente.
Monitorar a estabilidade e o desempenho do serviço
Usando o Application Insights, um recurso do Azure Monitor, a Rebeca monitora as operações de serviço, como o número de solicitações, a carga no cluster do AKS e a latência de resposta, enquanto o Sam monitora o desempenho do modelo para determinar se deve fazer otimizações.
Crie um fluxo de trabalho de modelo simplificado
Rebeca incorporou o Azure Machine Learning em seu fluxo de trabalho de DevOps, desde a automação de lançamentos até o monitoramento da produção. Embora ela fique de olho nas operações de serviço, Sam monitora e gerencia o desempenho do modelo e otimiza conforme necessário.
O Azure Machine Learning ajuda a elevar a ciência de dados no processo de DevOps da sua organização, levando a projetos de machine learning mais confiáveis e robustos.
Detecte descompasso de dados (versão prévia) em conjuntos de dados
O Azure ML integrou-se diretamente ao fluxo de trabalho de DevOps de Rebeca, da automação da versão até o monitoramento de produção, com integrações nativas nas ferramentas atuais, como o Azure DevOps e Insights de Aplicativo do Azure. E, embora o Rebeca esteja atenta às operações de serviço, o Azure ML fornece a Sam ferramentas para monitorar e gerenciar o desempenho do modelo e otimizar conforme necessário.
O Azure ML ajuda a ciência de dados a tornar-se uma cidadã de primeira classe no processo de DevOps da organização, levando a projetos de machine learning mais confiáveis e robustos.
Detecte descompasso de dados (versão prévia) em conjuntos de dados
Melhore a governança e o gerenciamento de custos em seus projetos de aprendizado de máquina
Melhore a governança e o gerenciamento de custos em seus projetos de aprendizado de máquina
Habilitação da governança do modelo de aprendizado de máquina
Phil, gerente de TI de um varejista de moda online, está animado com o trabalho que as equipes de ciência de dados e operações têm realizado com o Azure Machine Learning.
Embora Phil seja responsável pela infraestrutura de TI da empresa, ele não sabe o que está em produção, quem tem acesso ou quanto custará. Ele decide usar o Azure Machine Learning para ajudá-lo a cumprir suas responsabilidades de governança.
Phil, o gerente de TI de um varejista online, está entusiasmado com o trabalho de Sam e Rebecca. Mas Phil é responsável pela infraestrutura de TI e não sabe como garantir a governança em torno do projeto de ML. Ele está procurando ajuda no Azure ML.
Examinar os modelos em produção
O Phil usa o Azure Machine Learning para auditar os pontos de extremidade de produção. Ele pode navegar de volta para modelos e experimentos subjacentes juntamente com as saídas das explicações do modelo e da análise de imparcialidade. Isso garante que ele rastreie todas as etapas no processo de criação do modelo e permite a auditoria de modelo para qualquer desvio.
Verifique os logs de auditoria para ver o histórico de modelo detalhado
Phil acessa os logs de auditoria do Azure Machine Learning. Eles complementam a rastreabilidade encontrada nos modelos e experimentos com um log detalhado, que rastreia cada ação (data, hora e usuário). Esses logs ajudam o Phil a rastrear ações iniciadas dentro ou pelo serviço para responsabilidade em toda a organização.
Proteja o workspace usando o gerenciamento de identidade e acesso do Azure
Phil usa soluções de gerenciamento de identidades e acesso do Azure para gerenciar o acesso ao workspace do Azure Machine Learning. Ele usa funções internas e funções personalizadas para limitar as tarefas que os usuários podem executar e controlar o acesso aos recursos.
Garanta a responsabilidade com os recursos do Azure
Phil usa a capacidade de cotas para configurar compartilhamento e limites de recursos. Isso o ajuda a gerenciar os gastos, controlar os custos e garantir uma alocação de recursos equitativa entre as equipes. Ele também incentiva a responsabilização pelas respectivas equipes de projeto.
Alcance a governança e a conformidade do modelo
Phil agora pode ver o que está em produção e garantir a conformidade organizacional por meio de auditorias, controle de acesso baseado em função e gerenciamento de cotas. Ele aprecia como o Azure Machine Learning não apenas oferece suporte às equipes de ciência de dados e operações, mas também fornece os recursos de governança de nível empresarial de que ele precisa.
O Azure Machine Learning fornece os controles organizacionais essenciais para tornar os projetos de machine learning bem-sucedidos e mais seguros.
Monitorar o Azure Machine Learning Planejar e gerenciar os custos para o Azure Machine Learning
Phil tem a sorte de que o Azure ML não apenas dá suporte às equipes de ciência de dados e operações, como também fornece os recursos de governança de nível empresarial de que ele precisa para se manter em dia com suas responsabilidades. Ele pode ver exatamente o que está em produção, bem como garantir a conformidade organizacional por meio de auditoria, controle de acesso baseado em função e gerenciamento de cotas.
O Azure ML fornece os controles organizacionais essenciais para tornar os projetos machine learning bem-sucedidos e seguros.
Monitorar o Azure Machine Learning Planejar e gerenciar os custos para o Azure Machine Learning
Segurança e conformidade abrangentes, internas
-
A Microsoft investe mais de USD 1 bilhão anualmente em pesquisa e desenvolvimento de segurança cibernética.
-
Contamos com mais de 3,500 especialistas em segurança dedicados à privacidade e à segurança de dados.
-
O Azure tem mais certificações de conformidade que qualquer outro provedor de nuvem. Veja a lista completa.
Comece com uma conta gratuita do Azure
Comece gratuitamente. Obtenha $200 crédito para usar em até 30 dias. Enquanto você tem seu crédito, obtenha quantias gratuitas de muitos de nossos serviços mais populares, além de quantias gratuitas de mais de 40 outros serviços que são sempre gratuitos.
Após o crédito, mude para pré-pago para continuar construindo com os mesmos serviços gratuitos. Pague apenas se você usar mais do que seus valores mensais gratuitos.
Após 12 meses, você continuará recebendo mais de 40 serviços sempre gratuitos e ainda pagará apenas pelo que usar além dos valores mensais gratuitos.
Veja como os clientes estão agregando valor com as operações de aprendizado de máquina
FedEx
Bikram Virk, Gerente de Produto, IA e Machine Learning, 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, Gerente Executivo de Tecnologia, 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."
Aninhar
Ignasi Paredes-Oliva, principal cientista de dados, Centro de Operações de Segurança Global da Nestlé"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, Diretor Sênior de Ciência de Dados, Insights do Comprador e Análise Avançada, 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."
Recursos MLOps adicionais
Introdução
Aprendizado
Roteiro de aprendizagem MLOps de ponta a pontaBlog
- Unificando MLOps na Microsoft
- Conceitos do modelo de maturidade de MLOps
- O Azure Machine Learning se destaca na prontidão empresarial
- A arte de testar sistemas de aprendizado de máquina
- Testando a robustez dos sistemas de aprendizado de máquina
- Testando a escalabilidade dos sistemas de aprendizado de máquina
- Testando a segurança dos sistemas de aprendizado de máquina