Startsida
Produkter
Azure Machine Learning

Azure Machine Learning

Använd en tjänst i företagsklass för maskininlärningslivscykeln från slutpunkt till slutpunkt

Prova Azure Machine Learning kostnadsfritt

Affärskritiska maskininlärningsmodeller i stor skala

Azure Machine Learning ger dataforskare och utvecklare möjlighet att skapa, distribuera och hantera modeller av hög kvalitet snabbare och med tillförsikt. Det påskyndar tiden till värde med branschledande maskininlärningsdrift (MLOps), samverkan med öppen källkod och integrerade verktyg. Den här betrodda plattformen är utformad för ansvarsfulla AI-program i maskininlärning.

Snabb modellutveckling och utbildning med integrerade verktyg och stöd för ramverk och bibliotek med öppen källkod

Ansvarsfull AI-modellutveckling med inbyggd rättvisa och förklaring samt ansvarsfull användning för efterlevnad

Snabb distribution, hantering och delning av ML-modeller för samarbete mellan arbetsytor och MLOps

Inbyggd styrning, säkerhet och efterlevnad för att köra maskininlärningsarbetsbelastningar var som helst

Se vad som är nytt med Azure AI på Microsoft Ignite

Stöd för maskininlärningslivscykeln från slutpunkt till slutpunkt

Dataetiketter

Märk träningsdata och hantera etiketteringsprojekt.

Dataförberedelse

Använd med analysmotorer för datautforskning och förberedelse.

Datamängder

Få åtkomst till data, samt skapa och dela datauppsättningar.

Notebook-filer

Använd samarbetsanslutna Jupyter-anteckningsböcker med bifogad beräkning.

Automatiserad maskininlärning

Träna och justera automatiskt korrekta modeller.

Dra och släpp-designer

Designa med ett utvecklingsgränssnitt av typen dra och släpp.

Experiment

Kör experiment, samt skapa och dela anpassade instrumentpaneler.

CLI- och Python-SDK

Påskynda modellinlärningsprocessen vid skalning upp och ut i Azure Compute.

Visual Studio Code och GitHub

Använd välbekanta verktyg och växla enkelt från lokal utbildning till molnutbildning.

Beräkningsinstans

Utveckla i en hanterad och säker miljö med moln-CPU:er, GPU:er och supercomputing-kluster.

Bibliotek och ramverk med öppen källkod

Få inbyggt stöd för Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib och mycket mer.

Hanterade slutpunkter

Distribuera modeller för slutsatsdragning för batchdata och realtidsdata snabbt och enkelt.

Pipelines och CI/CD

Automatisera arbetsflöden för maskininlärning.

Fördefinierade avbildningar

Få åtkomst till behållaravbildningar med ramverk och bibliotek för slutsatsdragning.

Modelllagringsplats

Dela och spåra modeller och data.

Hybridmoln och flera moln

Träna upp och distribuera modeller lokalt och i flera molnmiljöer.

Optimera modeller

Påskynda utbildning och slutsatsdragning och sänk kostnader med ONNX Runtime.

Övervakning och analys

Spåra, logga och analysera data, modeller och resurser.

Dataavvikelse

Identifiera avvikelse och upprätthåll modellprecision.

Felanalys

Felsök modeller och optimera modellnoggrannhet.

Granskning

Spåra maskininlärningsartefakter för efterlevnad.

Principer

Använd förinställda och anpassade principer för efterlevnadshantering.

Säkerhet

Använd kontinuerlig övervakning med Azure Security Center.

Kostnadskontroll

Tillämpa kvothantering och automatisk avstängning.

Få snabbare tid till värde med snabb modellutveckling

Förbättra produktiviteten med studiofunktionen, en, utvecklingsupplevelse som stöder alla maskininlärningsuppgifter för att skapa, träna upp och distribuera modeller. Samarbeta med Jupyter Notebooks med inbyggt stöd för populära ramverk och bibliotek med öppen källkod. Skapa exakta modeller snabbt med automatiserad maskininlärning för tabell-, text- och bildmodeller med funktioner för funktionsutveckling och genomsökning av hyperparametrar. Använd djupgående Visual Studio Code för att sömlöst gå från lokal till molnbaserad inlärning och autoskalning med kraftfulla molnbaserade processor- och GPU-kluster.

Operationalisera i stor skala med MLOps

Effektivisera distributionen och hanteringen av tusentals modeller och i flera miljöer med hjälp av MLOps. Distribuera och poängsätt modeller snabbare med fullständigt hanterade slutpunkter för batch- och realtidsförutsägelser. Använd repeterbara pipelines för att automatisera arbetsflöden för kontinuerlig integrering och kontinuerlig leverans (CI/CD). Dela och upptäck maskininlärningsartefakter i flera team för samarbete mellan arbetsytor med hjälp av register. Övervaka kontinuerligt modellprestandamått, identifiera dataavvikelser och utlös omträning för att förbättra modellprestanda.

Leverera lösningar för ansvarsfull maskininlärning

Utvärdera maskininlärningsmodeller med reproducerbara och automatiserade arbetsflöden för att göra en utvärdering av rättvisa, förklaringsmöjlighet, felanalys, orsaksanalys, modellprestanda och undersökande dataanalys för modellen. Vidta verkliga åtgärder med orsaksanalys på instrumentpanelen för ansvarsfullt AI och generera ett styrkort vid distributionen. Kontextualisera mått för ansvarfullt AI för både tekniska och icke-tekniska målgrupper för att engagera intressenter och effektivisera efterlevnadsgranskningen.

Förnya på en hybridplattform som är säkrare och mer kompatibel

Öka säkerheten under maskininlärnings-livscykeln med omfattande funktioner som omfattar identitet, data, nätverk, övervakning, och efterlevnad. Säkra ML-lösningar med anpassad rollbaserad åtkomstkontroll, virtuella nätverk, datakryptering, privata slutpunkter och privata IP-adresser. Träna och distribuera modeller lokalt för att uppfylla krav på datasuveränitet. Styr med inbyggda principer och effektivisera kompatibiliteten med 60 certifieringar, inklusive FedRAMP High och HIPAA.

Utveckla dina kunskaper i maskininlärning med Azure

Lär dig mer om maskininlärning på Azure och delta i praktiska självstudier i den här 30 dagar långa utbildningsresan. I slutet kommer du att vara förberedd för att ta Azure Data Scientist Associate-certifieringen.

Utforska maskininlärningsverktyg

Viktiga tjänstfunktioner för hela maskininlärningslivscykeln

Dataetiketter

Skapa, hantera och övervaka etiketteringsprojekt och automatisera iterativa uppgifter med hjälp av maskininlärningsassisterad etikettering.

Dataförberedelse

Iterera snabbt vid dataförberedelse i stor skala på Apache Spark kluster inom Azure Machine Learning, samverkande med Azure Synapse Analytics.

Anteckningsböcker för samarbete

Maximera produktiviteten med IntelliSense, enkel beräkning och kernelväxling samt offlineredigering av anteckningsböcker. Starta din notebook-fil i Visual Studio Code och få en avancerad utvecklingsmiljö med säker felsökning och stöd för Git-källkontroll.

Automatiserad maskininlärning

Skapa snabbt exakta modeller för klassificering, regression och tidsserieprognoser, bearbetning av naturligt språk och visuellt innehåll. Använd tolkningsbarhet för modeller i syfte att förstå hur modellen skapades.

Dra och släpp-maskininlärning

Använd verktyg för maskininlärning som designern för dataomvandling samt modellträning och -utvärdering eller för att enkelt skapa och publicera maskininlärningspipelines.

Kunskapsförmedling

Skala förstärkningsträning till kraftfulla beräkningskluster, ge stöd för scenarier med flera agenter och få åtkomst till kunskapsförmedlingsalgoritmer med öppen källkod, ramverk och miljöer.

Ansvarsfull byggnad

Få modelltransparens vid träning och slutsatsdragning med funktioner för tolkningsbarhet. Utvärdera modellrättvisa via diskrepansmått och minska orättvisa. Förbättra modellens tillförlitlighet och identifiera och diagnostisera modellfel med verktygslådan för felanalys. Skydda data med differentiell sekretess.

Experiment

Hantera och övervaka körningar eller jämför flera körningar för inlärning och experimentering. Skapa anpassade instrumentpaneler och dela dem med ditt team.

Register

Använd hela organisationens lagringsplatser för att lagra och dela modeller, pipelines, komponenter och datauppsättningar på flera arbetsytor. Samla in ursprungs- och styrningsdata automatiskt med hjälp av spårningsfunktionen.

Git och GitHub

Använd Git-integrering för att spåra arbete och GitHub Actions-stöd för att implementera maskininlärningsarbetsflöden.

Hanterade slutpunkter

Använd hanterade slutpunkter för att operationalisera modelldistribution och bedömning, logga mått och utföra säkra modelldistributioner.

Beräkning av automatisk skalning

Använd hanterad beräkning för att distribuera träning för att snabbt testa, validera och distribuera modeller. Dela CPU- och GPU-kluster på en arbetsyta och skala automatiskt för att uppfylla dina maskininlärningsbehov.

Samverka sömlöst med andra Azure-tjänster

Öka produktiviteten med Microsoft Power BI och tjänster som Azure Synapse Analytics, Azure Cognitive Search, Azure Data Factory, Azure Data Lake, Azure Arc, Azure Security Center och Azure Databricks.

Stöd för hybrid och flera moln

Kör maskininlärning på befintliga Kubernetes-kluster lokalt, i flera molnmiljöer och på gränsen med Azure Arc. Använd den enkla maskininlärningsagenten och börja träna upp modeller på ett säkrare sätt, oavsett var du har dina data.

Säkerhet i företagsklass

Bygg och distribuera modeller säkrare med funktioner för nätverksisolering och privata IP-funktioner från slutpunkt till slutpunkt, rollbaserad åtkomstkontroll för resurser och åtgärder, anpassade roller och hanterad identitet för beräkningsresurser.

Kostnadshantering

Minska it-kostnaderna och hantera resurstilldelningar bättre för beräkningsinstanser med kvotgränser för arbetsyta och resursnivå och automatisk avstängning.

Lär dig mer om Azure Machine Learning-handboken

Lär dig att använda experttekniker för att skapa automatiserade och mycket skalbara kompletta maskininlärningsmodeller och pipelines i Azure med TensorFlow, Spark och Kubernetes.

Engineering MLOps – faktablad

Upptäck en stegvis metod för att skapa, distribuera och övervaka maskininlärningslösningar med MLOps. Skapa, testa och hantera snabbt produktionsklara maskininlärningslivscykler i stor skala.

Forrester Wave^TM 2020-rapporten

Se varför Forrester har utsett Azure Machine Learning till ledare i The Forrester Wav^TM inom Notebook-baserad förutsägelseanalys och maskininlärning för kvartal 3 2020.

Forrester Total Economic Impact^TM (TEI)-studie

Forrester Consulting Total Economic Impact^TM (TEI)-studien, beställd av Microsoft, undersöker den potentiella avkastning på investering (ROI) som företag kan realisera med Azure Machine Learning.

Maskininlärningslösningar – faktablad

Lär dig hur du skapar säkra, skalbara och rättvisa lösningar.

Ansvarfullt AI – faktablad

Läs om verktyg och metoder för att förstå, skydda och styra dina modeller.

Maskininlärningsdrift (MLOps) – faktablad

Påskynda processen för att skapa, träna upp och distribuera modeller i stor skala.

Azure Arc-aktiverad Machine Learning white paper

Lär dig hur du skapar, tränar och distribuerar modeller i valfri infrastruktur.

Omfattande inbyggda funktioner för säkerhet och efterlevnad

Microsoft investerar över USD 1 miljard varje år på forskning och utveckling av cybersäkerhet.
Vi sysselsätter fler än 3,500 säkerhetsexperter som arbetar helt och hållet med din datasäkerhet och sekretess.
Azure har fler certifieringar än någon annan molnleverantör. Visa den fullständiga listan.

ISO/IEC

CSA/CCM

ITAR

CJIS

HIPAA

IRS 1075

Mer information om säkerhet i Azure

Använda Azure Machine Learning

Gå till din studiowebb

Skapa och träna

Distribuera och hantera

Steg 1 av 1

Redigera nya modeller och lagra dina beräkningsmål, modeller, distributioner, mått och körningshistorik i molnet.

Steg 1 av 1

Använd automatiserad maskininlärning till att identifiera algoritmer och hyperparametrar, och spåra experiment i molnet. Redigera modeller med notebook-filer eller genom att dra och släppa.

Steg 1 av 1

Distribuera din maskininlärningsmodell till molnet eller gränsenheter, övervaka prestandan och träna upp modellen på nytt vid behov.

Betala endast för det du behöver utan några startkostnader

Visa prissättning för Azure Machine Learning

Kom igång med ett kostnadsfritt Azure-konto

Starta kostnadsfritt. Få $200 kredit att använda inom 30 dagar. Medan du har din kredit får du kostnadsfria mängder av många av våra mest populära tjänster, plus kostnadsfria mängder på över 40 andra tjänster som alltid är kostnadsfria.

Efter din kredit kan du gå över till betala per användning för att fortsätta skapa med samma kostnadsfria tjänster. Betala bara om du använder mer än dina kostnadsfria månadsbelopp.

Efter 12 månader får du över 40 tjänster utan kostnad— och betalar fortfarande bara för det du använder utöver dina kostnadsfria månadsbelopp.

Kunder som använder Azure Machine Learning

"We make it our mission to try new ideas and go beyond to differentiate AXA UK from other insurers. We see managed endpoints in Azure Machine Learning as a key enabler for our digital ambition."

Nic Univen, informationsansvarig, AXA UK

Läs berättelsen

"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."

Bikram Virk, produktchef, AI och Machine Learning, FedEx

Läs berättelsen

"As more of our groups rely on the Azure Machine Learning solution, our finance experts can focus more on higher-level tasks and spend less time on manual data collection and input."

Jeff Neilson, Data Science Manager, 3M

Läs berättelsen

"With Azure Machine Learning, we can show the patient a risk score that is highly tailored to their individual circumstances. …Ultimately, we aim to reduce risk, reduce uncertainty, and improve surgical outcomes."

Professor Mike Reed, Clinical Director, Trauma & Orthopedics, Northumbria Healthcare NHS Foundation Trust

Läs berättelsen

"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."

Michael Cleavinger, Senior Director of Shopper Insights Data Science and Advanced Analytics, PepsiCo

Läs berättelsen

"Using automated machine learning features of Azure Machine Learning for machine learning model creation enabled us to realize an environment in which we can create and experiment with various models from multiple perspectives."

Keiichi Sawada, Corporate Transformation Division, Seven Bank

Läs berättelsen