Новые функции решения "Машинное обучение Azure" доступны в предварительной версии

Опубликовано 6 мая 2019 г.

Функционал включает в себя следующее:

  • Открытые наборы данных — это коллекция наборов общедоступных данных для ускорения развертывания встроенных в Azure моделей машинного обучения. Открытые наборы данных интегрируются со Студией машинного обучения или могут использоваться из записных книжек Python в службе "Машинное обучение Azure". Открытые наборы данных Azure включают общедоступные данные высокой точности, которые часто сложно найти и курировать. Специалисты по обработке и анализу данных смогут уделять больше внимания созданию моделей, а не подготовке данных, и таким образом повысить продуктивность.
  • Графический интерфейс. В новом графическом интерфейсе службы "Машинное обучение Azure" добавлены возможности перетаскивания рабочих процессов в этой службе. Это упрощает создание, тестирование и развертывание моделей машинного обучения для клиентов, которые предпочитают использовать визуальные возможности. В этой интеграции объединены все лучшие функции Студии машинного обучения и службы "Машинное обучение Azure". Благодаря перетаскиванию любой специалист по обработке и анализу данных может быстро создать модель без написания кода. Это средство также включает гибкие возможности по настройке модели. В качестве серверной платформы служба "Машинное обучение Azure" обеспечивает масштабируемость, безопасность и возможности отладки, которые не предоставляются Студией машинного обучения. Простота развертывания в графическом интерфейсе облегчает создание файла score.py и образов. Обученную модель можно развернуть в любом кластере AKS, связанном со службой "Машинное обучение Azure", всего несколькими щелчками мыши.
  • Автоматическое машинное обучение — взаимодействие с пользователем. 
    • Развертывание в качестве веб-служб для создания прогнозов на основе новых данных.
    • Создание оптимальной модели для классификации, регрессии или прогнозирования проблем всего несколькими нажатиями кнопок.
    • Анализ созданных моделей.
    • Для младших специалистов по обработке и анализу данных: создание моделей машинного обучения без необходимости писать код Python (или любой код в принципе). Для специалистов по обработке и анализу данных: возможность изучать и быстро создавать сотни моделей, а затем оптимизировать лучшие из них в записных книжках Jupyter.
  • Виртуальные машины записных книжек. В середине апреля для решения "Машинное обучение Azure" будет запущена закрытая предварительная версия с размещенной службой записных книжек, и мы планируем сделать предварительную версию общедоступной в мае. Размещенные записные книжки ориентированы на работу с кодом и позволяют выполнять любую операцию, поддерживаемую пакетом SDK Python для Машинного обучения Azure, с помощью знакомой записной книжки Jupyter. Размещенные записные книжки упрощают начало работы, предоставляя безопасную среду корпоративного уровня для специалистов по машинному обучению. В закрытой предварительной версии клиенты смогут воспользоваться записной книжкой, интегрированной с рабочей областью решения "Машинное обучение Azure", применить предварительно настроенные записные книжки этой службы без какой-либо подготовки и полностью настроить свои виртуальные машины записных книжек, в том числе с возможностью добавления пакетов и драйверов.

​Вы уже можете использовать MLflow с рабочей областью решения "Машинное обучение Azure" для ведения журнала метрик и артефактов из сеансов обучения в централизованном, безопасном и масштабируемом расположении. Отслеживание с помощью MLflow можно осуществлять с локального компьютера, с виртуальной машины или из удаленной вычислительной среды.

  • Data Box Edge с 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 являются общедоступными 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).

Related feedback