Operações de aprendizagem automática (MLOps)
Acelere a automatização, a colaboração e a reprodutibilidade de fluxos de trabalho de aprendizagem automática
Implementação e gestão simplificadas de milhares de modelos entre ambientes de produção, desde no local ao edge
Pontos finais totalmente geridos para predições em lotes e em tempo real para implementar e classificar modelos mais rapidamente
Pipelines repetíveis para automatizar fluxos de trabalho de aprendizagem automática para integração contínua e entrega contínua (CI/CD)
Monitoriza continuamente métricas de desempenho dos modelos, deteta desfasamento de dados e aciona novas preparações para melhorar o desempenho do modelo
Entregue inovação rapidamente
MLOps (operações de aprendizagem automática ou DevOps para aprendizagem automática) são a interseção de pessoas, processos e plataformas para obter valor comercial a partir da aprendizagem automática. Simplifica o desenvolvimento e a implementação através de monitorização, validação e governação de modelos de machine learning.
Criar fluxos de trabalho e modelos de machine learning
Utilize conjuntos de dados e registos de modelos detalhados para monitorizar os recursos. Ative uma rastreabilidade melhorada com a monitorização de código, dados e métricas no histórico de execuções. Construa pipelines de aprendizagem automática para conceber, implementar e gerir fluxos de trabalho de modelos reproduzíveis para uma entrega consistente de modelos.
Implemente facilmente modelos altamente precisos em qualquer lugar
Implemente rapidamente com confiança. Utilize pontos finais online geridos para implementar modelos em computadores com CPUs e GPUs poderosas sem gerir a infraestrutura subjacente. Empacote modelos rapidamente e garanta alta qualidade em todos os passos com ferramentas de validação e de análise para otimização de modelos. Utilize uma implementação controlada para promover modelos para produção.
Gerir de forma eficiente todo o ciclo de vida de machine learning
Tire partido da interoperabilidade incorporada com o Azure DevOps e o GitHub Actions para gerir e automatizar fluxos de trabalho continuamente. Otimize a preparação de modelos e pipelines de implementação, crie para CI/CD para facilitar novas preparações e adeque facilmente a aprendizagem automática aos processos existentes da sua versão. Utilize a análise avançada de desfasamento de dados para melhorar o desempenho do modelo ao longo do tempo.
Alcance a governação entre recursos
Monitorize o histórico de versões de modelos e a linhagem para auditoria. Defina quotas de computação nos recursos e aplique políticas para garantir o cumprimento das normas de segurança, privacidade e conformidade. Utilize as capacidades avançadas para cumprir os objetivos de governação e controlo e para promover a transparência e a equidade dos modelos.
Beneficie da interoperabilidade com o MLflow
Construa fluxos de trabalho de aprendizagem automática flexíveis e mais seguros utilizando mLflow e Azure Machine Learning. Dimensione perfeitamente as suas cargas de trabalho existentes desde a execução local até à nuvem e borda inteligentes. Guarde as suas experiências de MLflow, executar métricas, parâmetros e artefactos de modelo no espaço de trabalho centralizado de Aprendizagem de Máquinas Azure.
Acelere MLOps colaborativas entre áreas de trabalho
Apoie a colaboração entre áreas de trabalho e MLOps com registos. Aloje recursos de aprendizagem automática numa localização central, disponibilizando-os a todas as áreas de trabalho na sua organização. Promova, partilhe e descubra modelos, ambientes, componentes e conjuntos de dados entre as suas equipas. Reutilize pipelines e implemente modelos criados por equipas noutras áreas de trabalho, enquanto mantém a linhagem e a rastreabilidade intactas.
Centro de recursos
Ver operações de aprendizagem automática em ação
Criar pipelines de machine learning para estruturar, implementar e gerir fluxos de trabalho de modelos
Criar pipelines de machine learning para estruturar, implementar e gerir fluxos de trabalho de modelos
Automatizar um pipeline de machine learning
Sam é cientista de dados que trabalha para um retalhista de moda online. A empresa começou recentemente a utilizar machine learning para fornecer recomendações oportunas e precisas, melhorando a satisfação do cliente e as vendas.
Depois de uma atualização de catálogo, convidaram Sam a atualizar o modelo de recomendação da marca — mas ninguém sabe de onde veio o modelo atual. Recorre ao Azure Machine Learning para construir um fluxo de trabalho reprodutível e detetável.
O Sam é cientista de dados num retalhista online encarregado de atualizar o modelo de recomendação da loja após uma recente atualização ao catálogo. O Sam está à procura do pipeline do modelo, mas ninguém sabe de onde o modelo veio.
O Sam recorre ao Azure ML para criar um fluxo de trabalho de modelo rastreável.
Utilizar o Azure Machine Learning com as suas ferramentas existentes
O Sam utiliza o SDK do Azure Machine Learning para mover o seu trabalho baseado no Jupyter Notebook– para o Azure Machine Learning, tirando partido das suas capacidades de escala e colaboração. Com a sua escolha de estrutura, ele versões do código de formação e conjuntos de dados e liga-os a uma experimentação rastreável.
Capte as métricas de todas as execuções de experimentações
Sempre que o Sam executa uma execução, o Azure Machine Learning monitorização as suas métricas e os seus dados para revisão. Isto captura as entradas (como conjuntos de dados, código e parâmetros) e saídas (como os dados, métricas e modelos) para avaliação e comparações.
Rever modelos e experimentações na área de trabalho
Enquanto o Sam continua a trabalhar no seu ambiente de bloco de notas, a sua equipa utiliza o estúdio do Azure Machine Learning para remontar facilmente do modelo final no registo do modelo através de cada recurso e passo utilizados para o criar.
Criar pipelines reutilizáveis para eficiência e consistência
Sam cria um pipeline de aprendizagem automática reutilizável para fornecer um fluxo de trabalho de treino modelo e desencadeá-lo automaticamente após alterações nos dados de origem. Se necessário, pode reutilizar o resultado dos passos sem alterar as entradas.
Crie pipelines de machine learning reproduzíveis
Sam criou um fluxo de trabalho reproduzível e detetável com o Azure Machine Learning. Cada modelo que a equipa produz está agora ligado a uma execução de experimentação para revisão e iteração. Com um pipeline reproduzível, o Sam deixa o Azure Machine Learning automatizar a reparametrização enquanto se foca em algo mais importante.
O Azure Machine Learning ajuda-o a criar pipelines de aprendizagem automática de nível empresarial através de reprodutibilidade e rastreabilidade. Isto leva a uma entrega de modelos mais consistente com menos variabilidade e uma maior tolerância a falhas.
Saiba mais sobre pipelines de machine learning Procurar o repositório do GitHub para esta demonstração
Ao tirar partido do Azure ML, o Sam criou um fluxo de trabalho reproduzível e rastreável. Agora, cada modelo que a equipa produzir está associado a uma execução de experimentação, possibilitando-lhes fazer análises e iterações. Com um pipeline reproduzível, o Sam pode deixar que o Azure ML automatize a repreparação enquanto ele se dedica ao seu próximo grande trabalho.
O Azure ML ajuda a criar pipelines de machine learning de nível empresarial através de reprodutibilidade e rastreabilidade. Estas características levam a uma disponibilização de modelos mais consistente e com menos variabilidade e mais tolerância a falhas.
Saiba mais sobre pipelines de machine learning Procurar o repositório do GitHub para esta demonstração
Implemente rapidamente com confiança ao utilizar clusters de inferência geridos, distribuídos e de dimensionamento automático
Implemente rapidamente com confiança ao utilizar clusters de inferência geridos, distribuídos e de dimensionamento automático
Implementar um ponto final de serviço Web para um modelo
Sam, cientista de dados que trabalha para um retalhista de moda online, adicionou o Azure Machine Learning ao seu fluxo de trabalho para construir modelos melhores. O seu pipeline automatizado acabou de registar um modelo final com resultados experimentais anexados que mostram um desempenho melhorado.
A equipa de desenvolvimento Web não sabe como incorporar um modelo de machine learning na aplicação Web e, em vez disso, pediu um serviço Web. Sam recorre ao Azure Machine Learning para ajudar a adicionar um ponto final de serviço Web ao seu modelo.
O Sam, um cientista de dados num revendedor online, utilizou o Azure ML para criar e registar um modelo. A sua equipa de desenvolvimento Web pediu-lhe agora um ponto final Web para efetuar chamadas ao modelo para inferência. O Sam utiliza o Azure ML para criar este ponto final de serviço Web.
Obtenha o último modelo e preencha o perfil para produção
O Sam obtém o modelo mais recente a partir do registo e analisa para otimização para ver que tipo de recursos poderá precisar em produção.
Empurre o modelo para o Azure Container Instances
Com os dados de criação de perfis em mãos, o Sam utiliza o Azure Machine Learning para empacotar o modelo num contenter e implementá-lo no Azure Container Instances para inferência em tempo real ou em lote. Após a implementação, tira partido da geração automática de esquemas e das funcionalidades de monitorização no Azure Machine Learning.
Implemente em pontos finais dimensionáveis e diversos e aplique testagem A/B
Com apenas algumas linhas de código, o Sam emulou o mesmo modelo para uma instância do Azure Kubernetes Service (AKS) mais dimensionável e exercícios de capacidades avançadas de teste A/B para a validação de novos modelos. Agora, pode implementar modelos onde’ quer que seja necessário, da cloud ao edge, com opções de computação, incluindo CPU, GPU e FPGA.
Permita que a equipa de desenvolvimento Web utilize o modelo implementado
Depois de o modelo ser implementado para uma instância AKS, a equipa web dev acede ao ponto final do serviço web para ligar a partir da sua aplicação para necessidades de inferência em tempo real ou lote. Sam monitoriza o ponto final do modelo para deriva de dados e outras métricas, que podem ser auditadas conforme necessário.
Publique modelos onde quer que seja necessário
Sam tornou o seu modelo open-source num serviço Web pronto para produção para a sua equipa de desenvolvimento. Manteve o seu foco no desenvolvimento de modelos, em vez de aprender as muitas tecnologias necessárias para o alojamento de serviços, incluindo Kubernetes, Flask e Swagger.
O Azure Machine Learning ajuda-o a transitar facilmente os seus modelos para serviços Web maduros e com todas as funcionalidades, possibilitando que sejam rapidamente adotados em aplicações.
Com o Azure ML, o Sam transformou rapidamente o seu modelo open source num serviço Web preparado para produção e pronto para a equipa dele poder utilizar. Como cientista de dados, conseguiu concentrar-se no desenvolvimento do modelo e não precisou de aprender a dominar as muitas tecnologias necessárias para alojar o serviço (incluindo o Kubernetes, o Flask e/ou o Swagger).
O Azure ML ajuda os cientistas de dados a tornarem facilmente os modelos em serviços Web maduros e completos, permitindo a rápida adoção dos mesmos nas aplicações.
Interoperar com o Azure DevOps e o GitHub Actions para automatizar fluxos de trabalho de machine learning
Interoperar com o Azure DevOps e o GitHub Actions para automatizar fluxos de trabalho de machine learning
Integrar com o seu fluxo de trabalho de DevOps
Sam, cientista de dados que trabalha para um retalhista de moda online, utilizou o Azure Machine Learning para construir e implementar os seus modelos. Recentemente, lançou o seu modelo para uma instância de produção do Azure Kubernetes Service (AKS) e a equipa Web integrou-o na aplicação Web com resultados promissores.
Rebecca, que está na equipa de operações, quer garantir que a construção e implementação de modelos faz parte dos fluxos de trabalho da DevOps. Sam não sabe como incorporá-lo, por isso treina a Rebecca no Azure Machine Learning e trabalha com ela para determinar como pode satisfazer ambas as suas necessidades.
Sam, um cientista de dados, utilizou recentemente o Azure ML para criar e implementar modelos. Acabou de lançar um modelo para a instância de produção do AKS. A Rebecca quer integrá-lo nos seus fluxos de trabalho de DevOps. Sam sugere-lhe o Azure ML.
Crie um novo pipeline de versão com o Azure Pipelines
A Rebecca cria um pipeline no Azure Pipelines para automatizar o processo de implementação. O primeiro passo do pipeline realiza tarefas como a criação do modelo com todas as dependências e a verificação de erros. Para acionar automaticamente este pipeline, a Rebecca liga-o ao registo de modelos do Azure Machine Learning, garantindo que é iniciado sempre que um novo modelo ou uma nova versão do modelo é registado.
Publique o modelo para validação
A Rebecca adiciona uma tarefa para publicar o modelo no Azure Container Instances para validação antes de passar para produção. Utiliza a CLI do Azure para interagir com o Azure Machine Learning. Dá-lhe acesso às mesmas funcionalidades dentro das ferramentas que o Sam tem no seu bloco de notas. Este passo simula os testes de integração no processo de DevOps da aplicação.
Mover o modelo para produção após a validação
A Rebecca adiciona uma tarefa de pipeline de versão para implementar o modelo para produção com o AKS. Antes de esta tarefa ser ativada, a Rebecca configura uma porta que exige que um líder ou gestor avalie e aprove antes de continuar. Isto garante que o pipeline não’ causa grandes interrupções’ se não tiver sido detetado um problema nas validações de script.
Configurar a deteção de desfasamento de dados para acionar a reeducação
À medida que a Rebecca configura o pipeline automatizado para implementar os modelos, o Sam ativa a monitorização de desfasamento de dados com o Azure Machine Learning. Ao monitorizar a utilização do serviço, pode ver se os pedidos de inferência na produção começam a desviar-se do conjuntos de dados de preparação, o que indica a necessidade de reeducar.
Monitorize a estabilidade e o desempenho do serviço
Com o Application Insights, uma funcionalidade do Azure Monitor, a Rebecca monitorização operações de serviço, como o número de pedidos, a carga no cluster do AKS e a latência de resposta, enquanto Sam monitorização o desempenho do modelo para determinar se deve fazer otimizações.
Criar um fluxo de trabalho de modelo simplificado
Rebecca incorporou o Azure Machine Learning no seu fluxo de trabalho DevOps, desde a automatização de libertação através da monitorização da produção. Enquanto está atenta às operações de serviço, Sam monitoriza e gere o desempenho do modelo e otimiza-o 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.
Detete o desconjunto de dados (pré-visualização) nos conjuntos de dados
O Azure ML integrou-se perfeitamente no fluxo de trabalho de DevOps atual da Rebecca, desde a automatização do lançamento até à monitorização da produção, com integrações nativas em ferramentas já existentes, como o Azure DevOps e o Azure App Insights. E enquanto a Rebecca controla as operações do serviço, o Azure ML proporciona ao Sam as ferramentas para monitorizar e gerir o desempenho do modelo e, se necessário, o otimizar.
Com o Azure ML, a ciência de dados ganha um espaço próprio no processo de DevOps já existente na sua organização, originando projetos de machine learning mais fiáveis e robustos.
Detete o desconjunto de dados (pré-visualização) nos conjuntos de dados
Melhore a governação e a gestão de custos nos seus projetos de machine learning
Melhore a governação e a gestão de custos nos seus projetos de machine learning
Ativar a governação de modelos de machine learning
Phil, gestor de TI de um retalhista de moda online, está entusiasmado com o trabalho que as equipas de operações e ciência de dados têm vindo a fazer com o Azure Machine Learning.
Embora Phil seja responsável pela infraestrutura de TI da empresa, não sabe o que está na produção, quem tem acesso ou quanto vai custar. Ele decide utilizar o Azure Machine Learning para o ajudar a cumprir as suas responsabilidades de governação.
Phil, o Gestor de IT num revendedor online, está entusiasmado com o trabalho do Sam e da Rebecca. No entanto, Phil é responsável pela infraestrutura de TI e não sabe como garantir a governação em torno do projeto de ML. Está a procurar ajuda no Azure ML.
Rever os modelos em produção
Phil usa Azure Machine Learning para auditar os pontos finais de produção. Ele pode navegar de volta para modelos e experiências subjacentes, juntamente com as saídas das explicações do modelo e análise de justiça. Isto garante que ele traça cada passo no processo de criação de modelos e permite a auditoria de modelos para qualquer enviesamento.
verifique o histórico detalhado dos modelos nos registos de auditoria
O Phil acederá aos relatórios de auditoria do Azure Machine Learning. Complementam a rastreabilidade encontrada nos modelos e experimentações com um relatório detalhado, que monitora todas as ações (data, hora e utilizador). Estes dados ajudam o Phil a rastrear ações iniciadas dentro ou pelo serviço para responsabilidade em toda a organização.
Proteger a área de trabalho com a gestão de identidades e acessos do Azure
O Phil utiliza soluções de gestão de identidades e acessos do Azure para gerir o acesso à área de trabalho do Azure Machine Learning. Utiliza funções e funções personalizadas internas para limitar as tarefas que os utilizadores podem realizar e controlar o acesso aos recursos.
Assegure a responsabilização com os recursos do Azure
O Phil utiliza a capacidade de quotas para configurar limites de recursos e partilha. Isto ajuda-o a gerir os gastos, a controlar os custos e a garantir a alocação de recursos equitativo entre as suas equipes. Também incentiva a responsabilização por parte das respetivas teams de projeto.
Alcance a governação e a conformidade dos modelos
Phil pode agora ver o que está em produção e garantir o cumprimento organizacional através da auditoria, controlo de acesso baseado em funções e gestão de quotas. Ele aprecia como o Azure Machine Learning não só apoia as equipas de operações e ciência de dados, como também oferece as capacidades de governação de nível empresarial de que necessita.
O Azure Machine Learning fornece os controlos organizacionais essenciais para tornar os projetos de bem sucedidos e mais seguros.
Monitorização do Azure Machine Learning Planear e gerir custos do Azure Machine Learning
O Phil está muito satisfeito por o Azure ML não só apoiar as equipas de ciência de dados e de operações, como por também proporcionar as capacidades de governação ao nível da empresa de que ele precisa para cumprir com as responsabilidades dele. Pode ver exatamente o que está em produção, bem como garantir a conformidade organizacional através de auditorias, controlo de acesso baseados em função e gestão de quotas.
O Azure ML disponibiliza os controlos organizacionais essenciais para o êxito e a segurança dos projetos de machine learning.
Monitorização do Azure Machine Learning Planear e gerir custos do Azure Machine Learning
Segurança e conformidade abrangentes e incorporadas
-
A Microsoft investe mais de USD 1 mil milhões anualmente em investigação e desenvolvimento da cibersegurança.
-
Empregamos mais de 3,500 especialistas em segurança dedicados à segurança e privacidade dos dados.
-
O Azure tem mais certificações do que qualquer outro fornecedor de cloud. Veja a lista completa.
Comece a trabalhar com uma conta gratuita do Azure
Comece gratuitamente. Obtenha um crédito de $200 para utilizar no prazo de 30 dias. Enquanto tiver o seu crédito, receba montantes gratuitos de muitos dos nossos serviços mais populares, além de montantes gratuitos de mais de 40 serviços que são sempre gratuitos.
Após o seu crédito, mude para crédito pré-pago para continuar a criar com os mesmos serviços gratuitos. Pague apenas se utilizar mais do que os seus montantes mensais gratuitos.
Após 12 meses, continuará a obter mais de 40 serviços sempre gratuitos e a pagar apenas pelo que utilizar para além dos montantes mensais gratuitos.
Veja como os clientes estão a oferecer valor com as operações de aprendizagem automática
FedEx
Bikram Virk, Gestor 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, Gestor 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."
Nestlé
Ignasi Paredes-Oliva, Diretor de Ciência 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 Sénior de Análise Avançada e Ciência de Dados de Informações de Compradores, 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 adicionais de MLOps
Introdução
Aprendizagem
Percurso de aprendizagem de MLOps ponto a pontoBlogue
- Unificar MLOps na Microsoft
- Conceitos de modelo de maturidade de MLOps
- O Azure Machine Learning distingue-se na preparação de empresas
- A arte de testar sistemas de aprendizagem automática
- Testar a robustez de sistemas de aprendizagem automática
- Testar a escalabilidade de sistemas de aprendizagem automática
- Testar a segurança de sistemas de aprendizagem automática