As novas funcionalidades do Azure Machine Learning estão agora em pré-visualização

As funcionalidades incluem:

• Conjuntos de Dados Abertos: são vários conjuntos de dados do domínio público para acelerar o desenvolvimento dos modelos de machine learning criados no Azure. Os Conjunto de Dados Abertos integram-se com o Machine Learning Studio ou podem ser acedidos a partir dos blocos de notas em Python no Serviço Azure Machine Learning. Os Conjuntos de Dados Abertos do Azure oferecem bons dados de qualidade do domínio público, que costumam ser bastante difíceis e caros de organizar. Os cientistas de dados vão ser mais produtivos ao focar-se em criar modelos em comparação a preparar dados.
• Interface visual: A nova interface visual do Azure Machine Learning adiciona um fluxo de trabalho com funcionalidades de arrastar e largar ao serviço do Machine Learning. Simplifica o processo de criar, testar e implementar modelos de machine learning para clientes que preferem uma experiência visual em vez de focada no código. Esta integração traz o melhor do ML Studio e do serviço AML juntos. A experiência de arrastar e largar permite que qualquer cientista de dados construa rapidamente um modelo sem ter que programar. A ferramenta também dá flexibilidade suficiente para o cientista de dados otimizar o seu modelo. O serviço AML enquanto plataforma de back-end oferece toda a escalabilidade, segurança e depurabilidade, entre outros que o ML Studio não consegue. A funcionalidade de implementação fácil na interface gráfica permite uma geração fácil do ficheiro score.py e a criação de imagens. Com apenas alguns cliques, um modelo preparado pode ser implementado em qualquer cluster do AKS associado ao serviço AML.
• ML Automatizado – UX : 
  • Implemente enquanto serviços web para prever novos dados
  • Obtenha o melhor modelo para classificação, regressão ou previsão de problemas com apenas alguns cliques de botões
  • Analisar os modelos gerados
  • Cientistas de dados de cidadãos: Gere modelos de ML sem precisar de escrever código em Python (ou qualquer tipo de código). Cientistas de dados: explorar e gerar rapidamente centenas de modelos e então continuar a otimizar os melhores para o bloco de notas do Jupyter
• VMs de Blocos de Notas: O Azure Machine Learning entra em pré-visualização privada com um serviço de bloco de notas alojado em meados de abril; prevemos tornar esta pré-visualização pública em maio. Os blocos de notas alojados fornecem um experiência focada no código em que os utilizadores podem executar todas as operações suportadas pelo SDK de Python do Azure Machine Learning ao utilizar um bloco de notas conhecido do Jupyter. Os blocos de notas alojados simplificam o processo de introdução ao fornecer aos profissionais de ML um ambiente seguro e preparado para as empresas. Na pré-visualização privada, os clientes vão poder: aceder a um bloco de notas integrado na área de trabalho do Azure ML, utilizar blocos de notas pré-configurados do Azure ML sem configurações necessárias, personalizar completamente as suas VMs de blocos de notas, incluindo a capacidade de adicionar pacotes e controladores.

​Agora pode utilizar o MLflow com a sua área de trabalho do Azure Machine Learning para registar as métricas e artefatos das suas execuções de preparação numa localização centralizada, segura e dimensionável. O controlo do MLflow pode ser feito a partir da sua máquina local, de uma máquina virtual ou de um ambiente de computação remoto.

• Data Box Edge com FPGA: Os FPGAs são uma opção de inferência de aprendizagem automática, baseada no Project Brainwave, uma arquitetura de hardware da Microsoft. Os cientistas de dados e programadores podem utilizar FPGAs para acelerar os cálculos de IA em tempo real. Estes Modelos Acelerados por Hardware estão agora geralmente disponíveis na cloud, juntamente com uma pré-visualização dos modelos implementados no Data Box Edge. Os FPGAs proporcionam desempenho, flexibilidade e dimensionamento e estão disponíveis apenas através do Azure Machine Learning. Tornam possível alcançar baixas latências para pedidos de inferência em tempo real, de forma a reduzir a necessidade de pedidos assíncronos (colocação em lotes).