Novos recursos para o Azure Machine Learning agora estão em versão prévia

Os recursos incluem:

• Open Datasets – são uma coleção de conjuntos de dados de domínio público para acelerar o desenvolvimento de modelos de machine learning criados no Azure. O Open Datasets integra-se ao Machine Learning Studio ou pode ser acessado usando notebooks do Python no Serviço do Azure Machine Learning. Os Azure Open Datasets oferecem dados de boa qualidade de domínio público, que com frequência são difíceis de encontrar e têm um alto custo para coleta. Os cientistas de dados serão mais produtivos concentrando-se na criação de modelo, em vez de na preparação de dados.
• Interface visual: a nova interface visual para o Azure Machine Learning adiciona funcionalidades de fluxo de trabalho do tipo "arrastar e soltar" ao Serviço do Azure Machine Learning. Ela simplifica o processo de criar, testar e implantar modelos de machine learning para clientes que preferem uma experiência visual em vez de uma experiência de codificação. Essa integração une o melhor do ML Studio e do serviço AML. A experiência do tipo "arrastar e soltar" permite que cientistas de dados criem rapidamente um modelo sem codificação. A ferramenta também dá flexibilidade suficiente para os cientistas de dados efetuarem ajustes nos modelo. O serviço AML como a plataforma de back-end oferece toda a escalabilidade, segurança, capacidade depuração etc. que o ML Studio não pode oferecer. A capacidade de implantação fácil na interface visual permite a fácil geração de um arquivo score.py e a criação de imagens. Com alguns cliques, um modelo treinado pode ser implantado em qualquer cluster do AKS associado ao serviço AML.
• ML automatizado – experiência do usuário:
  • implante como serviços Web para prever usando novos dados
  • Obtenha o melhor modelo para problemas de classificação, regressão ou previsão com alguns cliques de botão
  • Analisar os modelos gerados
  • Cientistas de dados cidadãos: gere modelos de ML sem necessidade de escrever código em Python (ou qualquer tipo de código). Cientistas de dados: explore e gere centenas de modelos rapidamente, então continue a otimizar os melhores no Jupyter Notebook
• VMs do Notebook: o Azure Machine Learning entrará em versão prévia privada com um serviço de notebook hospedado em meados de abril e esperamos tornar essa versão prévia pública em maio. Os notebooks hospedados fornecem uma experiência primeiro em código em que os usuários podem realizar todas as operações compatíveis com o SDK do Python do Azure Machine Learning usando um Jupyter Notebook familiar. Os notebooks hospedados simplificam o processo inicial ao fornecer um ambiente seguro pronto para a empresa para profissionais de ML. Na versão prévia privada, os clientes poderão: acessar um notebook integrado ao Workspace do Azure ML, usar notebooks Azure ML pré-configurados sem necessidade de configuração, personalizar totalmente suas VMs de notebook, incluindo poder adicionar pacotes e drivers.

​Agora você pode usar o MLflow com seu Workspace do Azure Machine Learning para registrar métricas e artefatos de suas execuções de treinamento em uma localização centralizada, segura e escalonável. O acompanhamento do MLflow pode ser feito de seu computador local, uma máquina virtual ou um ambiente de computação remoto.

• Data Box Edge com FPGA: FPGAs são uma opção de inferência de aprendizado de máquina baseada em Project Brainwave, uma arquitetura de hardware da Microsoft. Cientistas de dados e desenvolvedores podem usar FPGAs para acelerar cálculos de IA em tempo real. Esses Modelos de Aceleração de Hardware agora estão em disponibilidade geral na nuvem, junto com uma versão prévia de modelos implantados para o Data Box Edge. Os FPGAs oferecem desempenho, flexibilidade e escala e estão disponíveis apenas por meio do Azure Machine Learning. Eles possibilitam atingir baixa latência para solicitações de inferência em tempo real, atenuando a necessidade de solicitações assíncronas (envio em lote).