Машинное обучение Azure

Возможности службы машинного обучения корпоративного уровня для быстрого создания и развертывания моделей

Ускорьте жизненный цикл машинного обучения.

Empower data scientists and developers with a wide range of productive experiences to build, train, and deploy machine learning models and foster team collaboration. Accelerate time to market with industry-leading MLOps—DevOps for machine learning. Innovate on a secure, trusted platform, designed for responsible machine learning.

Machine Learning for all skill levels

Производительность для всех уровней навыков с моделью code-first, конструктором с поддержкой перетаскивания и автоматизированным машинным обучением.

Комплексный процесс MLOps

Robust MLOps capabilities that enable creation and deployments of models at scale using automated and reproducible machine learning workflows.

Responsible machine learning innovation

Rich set of built-in responsible capabilities to understand, protect, and control data, models and processes.

Открытость и совместимость

Лучшая в своем классе поддержка платформ с открытым кодом и различных языков, включая MLflow, Kubeflow, ONNX, PyTorch, TensorFlow, Python и R.

Boost productivity with machine learning for all skills

Rapidly build and deploy machine learning models using tools that meet your needs regardless of skill level. Use built-in Jupyter Notebooks with Intellisense or the drag-and-drop designer. Accelerate model creation with automated machine learning, and access powerful feature engineering, algorithm selection, and hyperparameter-sweeping capabilities. Increase team efficiency with shared datasets, notebooks, models, and customizable dashboards that track all aspects of the machine learning process.

Operationalize at scale with MLOps

Take advantage of MLOps to streamline the machine learning lifecycle, from building models to deployment and management. Create reproducible workflows with machine learning pipelines, and train, validate and deploy thousands of models at scale, from the cloud to the edge. Use Azure DevOps or GitHub Actions to schedule, manage, and automate the machine learning pipelines, and use advanced data-drift analysis to improve model performance over time.

Build responsible machine learning solutions

Access state-of-the-art responsible machine learning capabilities to understand, protect, and control your data, models, and processes. Explain model behavior during training and inferencing, and build for fairness by detecting and mitigating model bias. Preserve data privacy throughout the machine learning lifecycle with differential privacy techniques, and use confidential computing to secure machine learning assets. Automatically maintain audit trails, track lineage, and use model datasheets to enable accountability.

Innovate on an open and flexible platform

Get built-in support for open-source tools and frameworks for machine learning model training and inferencing. Use familiar frameworks like PyTorch, TensorFlow, or scikit-learn, or the open and interoperable ONNX format. Choose the development tools that best meet your needs, including popular IDEs, Jupyter Notebooks, and CLIs, or languages such as Python and R. Use ONNX Runtime to optimize and accelerate inferencing across cloud and edge devices. Track all aspects of your training experiments using MLfLow.

Advanced security, governance, and hybrid infrastructure

  • Train models on your hybrid infrastructure using Kubernetes clusters on-premises, across multicloud environments, and at the edge with Azure Arc interoperability.
  • Access security capabilities such as role-based access, custom machine learning roles, virtual networks, and private links. Manage governance with policies, audit trails, quota, and cost management.
  • Оптимизируйте обеспечение соответствия с помощью комплексного портфеля с 60 сертификатами, включая FedRAMP High и DISA IL5.

Основные возможности службы

Совместная работа с записными книжками

Повысьте продуктивность работы благодаря использованию Intellisense, простому переключению между вычислительными ресурсами и ядром, а также возможности редактирования записных книжек в автономном режиме.

Автоматическое машинное обучение

Быстро создавайте точные модели для классификации, регрессии и прогнозирования временных рядов. Используйте интерпретируемость модели, чтобы понять, как она была создана.

Машинное обучение с поддержкой перетаскивания

Используйте средства машинного обучения, например конструктор с модулями, для преобразования данных, обучения и оценки моделей, а также для простого создания и публикации конвейеров машинного обучения.

Маркировка данных

Обеспечьте быструю подготовку данных, отслеживайте проекты маркировки и управляйте ими, а также автоматизируйте итеративные задачи с помощью маркировки с использованием машинного обучения.

MLOps

Используйте централизованный реестр для хранения и отслеживания данных, моделей и метаданных. Реализуйте автоматический сбор данных о происхождении и управлении. Используйте Git, чтобы отслеживать рабочие процессы, и GitHub Actions для их реализации. Отслеживайте выполнение моделей и управляйте ими или сравнивайте несколько выполнений в целях обучения и экспериментирования.

Автомасштабирование вычислительных ресурсов

Используйте управляемые вычисления для распределенного обучения и быстрого тестирования, проверки и развертывания моделей. Совместно используйте кластеры ЦП и GPU в рабочей области и автоматически масштабируйте их в соответствии с вашими потребностями в машинном обучении.

Тесная интеграция с другими службами Azure

Accelerate productivity with built-in integration with Microsoft Power BI and Azure services such as Azure Synapse Analytics, Azure Cognitive Search, Azure Data Factory, Azure Data Lake, Azure Arc and Azure Databricks.

Hybrid and multicloud support

Run machine learning on existing Kubernetes clusters on-premises, in multi-cloud and at the edge with Azure Arc. Use the simple one-click deploy ML agent to start training models securely, wherever your data lives.

Обучение с подкреплением

Обеспечьте масштабирование обучения с подкреплением на мощных вычислительных кластерах, поддержку сценариев с несколькими агентами, доступ к алгоритмам обучения с подкреплением с открытым кодом, а также масштабирование платформ и сред.

Ответственное машинное обучение

Get model transparency at training and inferencing with interpretability capabilities. Assess model fairness through disparity metrics and mitigate unfairness. Protect data with differential privacy and confidential machine learning pipelines.

Безопасность корпоративного уровня

Безопасно создавайте и развертывайте модели благодаря таким возможностям, как изоляция сетей и Приватный канал, управление доступом на основе ролей для ресурсов и действий, настраиваемые роли и управляемые удостоверения для вычислительных ресурсов.

Управление затратами

Улучшите управление выделением вычислительных экземпляров Машинного обучения Azure с помощью ограничений квот на уровне рабочих областей и ресурсов.

Платите только за то, что вам нужно, без каких-либо предварительных выплат

See Azure Machine Learning pricing

Освоение принципов работы решения "Машинное обучение Azure"

Освойте экспертные методы создания автоматизированных и высокомасштабируемых комплексных моделей машинного обучения, а также конвейеров в Azure с помощью TensorFlow, Spark и Kubernetes.

Principles of Data Science

Многие из тех, кто работает с данными, уже отточили навыки программирования и работы с математическим аппаратом или знания в предметной области, но для обработки и анализа данных на должном уровне необходимы все три. Эта комплексная электронная книга поможет вам устранить пробелы.

Лидер согласно отчету Forrester Wave за 2020 год

Компания Forrester назвала корпорацию Майкрософт и службу "Машинное обучение Azure" лидерами в своем отчете "The Forrester Wave™: прогнозная аналитика и машинное обучение на основе записных книжек, третий квартал 2020 года"

Сведения об использовании Машинного обучения Azure

Перейти в веб-интерфейс студии

Создание и обучение

Развертывание и управление

Этап 1 из 1

Создавайте модели и храните их вместе с целевыми объектами вычислений, развертываниями, метриками и историями выполнений в облаке.

Этап 1 из 1

Используйте автоматизированное машинное обучение для выявления алгоритмов и гиперпараметров и отслеживания экспериментов в облаке. Создавайте модели с помощью записных книжек или конструктора с возможностью перетаскивания.

Этап 1 из 1

Развертывайте модель машинного обучения в облако или на граничные устройства, отслеживайте производительность и переобучайте модель, если требуется.

Начните использование Машинного обучения Azure уже сегодня

Получите мгновенный доступ и $200 на счет, зарегистрировав бесплатную учетную запись Azure.

Войдите на портал Azure.

Пользователи Машинного обучения Azure

"The model we deployed on Azure Machine Learning helped us choose the three new retail locations we opened in 2019. Those stores exceeded their revenue plans by over 200 percent in December, the height of our season, and within months of opening were among the best-performing stores in their districts."

Джоли Виталь (Jolie Vitale), директор по бизнес-аналитике и аналитике, Carhartt
Carhartt

"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."

Ignasi Paredes-Oliva, Lead Data Scientist, Nestlé Global Security Operations Center
Nestle Italia

"Azure Machine Learning allows us to manage the entire lifecycle, from experimentation and development to production and enhancements."

Joey Chua, Senior Manager Machine Learning Engineering, AGL
AGL

"With model interpretability in Azure Machine Learning, we have a high degree of confidence that our machine learning model is generating meaningful and fair results."

Daniel Engberg, Head of Data Analytics and Artificial Intelligence, Scandinavian Airlines
Scandinavian Airlines

"If I have 200 models to train—I can just do this all at once. It can be farmed out to a huge compute cluster, and it can be done in minutes. So I'm not waiting for days."

Дин Риддлсден (Dean Riddlesden), старший специалист по обработке и анализу данных, Global Analytics, Walgreens Boots Alliance
Walgreens Boots Alliance

"We see Azure Machine Learning and our partnership with Microsoft as critical to driving increased adoption and acceptance of AI from the regulators."

Алекс Мохельски (Alex Mohelsky), информационный консультант и партнер , аналитик и руководитель подразделения по разработке искусственного интеллекта, EY Canada
EY

Обновления, блоги и объявления по Машинному обучению Azure

Часто задаваемые вопросы о Машинном обучении Azure

  • Служба находится в открытом доступе в некоторых странах, число которых со временем будет расти.
  • The service-level agreement (SLA) for Azure Machine Learning is 99.9 percent uptime.
  • Azure Machine Learning studio is the top-level resource for Machine Learning. This capability provides a centralized place for data scientists and developers to work with all the artifacts for building, training, and deploying machine learning models.

Бесплатная учетная запись Azure готова к настройке в любой момент