Доступны новые возможности решения "Машинное обучение Azure"

Функционал включает в себя следующее:

• Интерпретируемость модели. Интерпретируемость моделей машинного обучения позволяет специалистам по обработке и анализу данных легко и гибко с использованием передовых технологий описывать модели машинного обучения глобально на основе всех данных или локально на основе определенных точек данных.  Интерпретируемость моделей машинного обучения включает технологии, разработанные корпорацией Майкрософт, и проверенные библиотеки сторонних поставщиков (например, SHAP и LIME). Пакет SDK создает стандартный API для всех встроенных библиотек и интегрирует службы Машинного обучения Azure. С помощью этого пакета SDK вы можете легко и гибко с использованием передовых технологий описывать модели машинного обучения глобально на основе всех данных или локально на основе определенных точек данных.
• Прогнозирование с помощью автоматизированного машинного обучения, усовершенствований автоматизированного машинного обучения и поддерживаемых в Databricks, CosmosDB и HDInsight функций автоматизированного машинного обучения.
  • Автоматизированное машинное обучение позволяет автоматизировать этапы рабочего процесса машинного обучения и благодаря этому ускорить создание моделей машинного обучения, освободить специалистов по обработке и анализу данных для выполнения более важных задач, упростить работу с машинным обучением и сделать его доступнее для более широкой аудитории. Наши объявления:
  • Выпущена общедоступная версия функции прогнозирования с новыми возможностями.
  • Интеграция с Databricks, SQL, CosmosDB и HDInsight.
  • Выпущена общедоступная версия функции объясняемости с улучшенной производительностью.
• Интеграция с .NET. Выпуск ML.NET 1.0 стал первым значительным этапом пути развития этого решения, который начался в мае 2018 года с выпуска ML.NET 0.1 с открытым кодом. С того момента мы выпустили 12 предварительных ежемесячных версий и эту финальную версию 1.0. ML.NET — это кроссплатформенная среда машинного обучения с открытым кодом для разработчиков .NET. С помощью ML.NET разработчики могут применять существующие средства и навыки для разработки настраиваемых функций ИИ и их внедрения в свои приложения путем создания настраиваемых моделей машинного обучения для стандартных сценариев, например анализа тональности, рекомендаций, классификации изображений и многих других. NimbusML (Python-привязки для ML.NET) позволит вам применять ML.NET с Машинным обучением Azure. С помощью NimbusML специалисты по обработке и анализу данных могут использовать ML.NET для обучения моделей в решении "Машинное обучение Azure" или в других средах с поддержкой Python. Обученную модель машинного обучения можно с легкостью применить к приложению .NET с помощью компонента ML.NET PredictionEngine, как описано в этом примере.
• Первоклассная поддержка Azure DevOps для экспериментов, конвейеров, регистрации, проверки и развертывания моделей. Основная задача решения "Машинное обучение Azure" — упростить весь жизненный цикл машинного обучения, в том числе подготовку данных, обучение моделей, подготовку пакетов моделей, проверку и развертывание моделей. С этой целью мы запускаем такие службы:
  • Службы управления версиями среды, кода и данных, интегрированные в журнал аудита решения "Машинное обучение Azure".
  • Расширение Azure DevOps для машинного обучения и Azure ML CLI.
  • Упрощение проверки и развертывания моделей машинного обучения. Корпорация Майкрософт поможет вам быстро внедрить возможности машинного обучения, ускорив ваш переход к готовому к работе в реальных условиях облачному решению машинного обучения. Готовность к работе в реальных условиях определяется как:
    • наличие воспроизводимых конвейеров обучения моделей;
    • доказуемая проверка, профилирование и отслеживание моделей до выпуска;
    • возможности выпуска корпоративного класса и интегрированный мониторинг, в том числе все необходимые средства для соблюдения соответствующих рекомендаций по безопасности. 
• Среда выполнения ONNX с TensorRT. Мы с радостью объявляем о выпуске общедоступной версии среды выполнения ONNX с поставщиком выполнения NVIDIA TensorRT в среде ONNX. С их помощью разработчики могут использовать возможности ускорения лучших в отрасли графических процессоров независимо от платформы. Разработчики могут ускорить формирование выводов моделей ONNX, которые затем можно экспортировать или преобразовать из форматов PyTorch, TensorFlow и множества других популярных платформ.  Среда выполнения ONNX с поставщиком выполнения TensorRT ускоряет формирование выводов моделей глубокого обучения на оборудовании NVIDIA. Это позволяет разработчикам выполнять модели ONNX на различном оборудовании и создавать приложения для гибкого развертывания в разных аппаратных конфигурациях. Архитектура позволяет использовать зависимые от оборудования библиотеки, которые очень важны для оптимизации выполнения глубоких нейронных сетей.
• Модели с аппаратным ускорением на основе программируемых пользователями вентильных матриц (ППВМ). Программируемые пользователем вентильные матрицы (ППВМ) — это средство формирования моделей машинного обучения, основанное на аппаратной архитектуре Project Brainwave от Майкрософт. Специалисты по обработке и анализу данных могут использовать ППВМ для ускорения вычислений с ИИ в режиме реального времени. Такие модели с аппаратным ускорением теперь общедоступны в облаке вместе с предварительной версией моделей, развернутых в Data Box Edge. Матрицы ППВМ обеспечивают производительность, гибкость и широкие возможности масштабирования и предоставляются только с решением "Машинное обучение Azure". Эти матрицы помогают добиться низкой задержки для выполняемых в реальном времени запросов формирования, что устраняет потребность в асинхронных запросах (пакетная обработка).

Подробнее