Azure Machine Learning
Use an enterprise-grade service for the end-to-end machine learning lifecycle
Bygg affärskritiska maskininlärningsmodeller i stor skala
Ge dataforskare och utvecklare möjlighet att skapa, distribuera och hantera modeller av hög kvalitet snabbare och med tillförsikt. Få snabbare tid till värde med branschledande maskininlärningsåtgärder (MLOps), samverkan med öppen källkod och integrerade verktyg. Använd en säker och betrodd plattform som är utformad för ansvarsfulla AI-program i maskininlärning.
Skapa och träna modeller snabbt
Använd studioutvecklingsupplevelsen för att få åtkomst till fördefinierade verktyg och förstklassigt stöd för ramverk och bibliotek med öppen källkod.
Leverera ansvarsfulla lösningar
Utveckla modeller för rättvisa och förklaringsmöjlighet, använd dem ansvarsfullt när de distribueras och reglera dem till att uppfylla krav på härledning och granskningsefterlevnad.
Operationalisera i stor skala
Distribuera maskininlärningsmodeller snabbt och enkelt och hantera och reglera dem effektivt med MLOps.
Förnya på en säkrare hybridplattform
Kör maskininlärningsarbetsbelastningar var som helst med inbyggd styrning, säkerhet och efterlevnad.
Upp till 3 gånger avkastningen för maskininlärningsprojekt
70 procent färre steg för träningsmodeller
90 procent färre kodrader för pipelines
60 certifieringar för efterlevnad
Den enda plattformen med PyTorch Enterprise
Stöd för maskininlärningslivscykeln från slutpunkt till slutpunkt
Dataetiketter
Märk träningsdata och hantera etiketteringsprojekt.
Förberedelse av data
Använd med analysmotorer för datautforskning och förberedelse.
Datamängder
Få åtkomst till data, samt skapa och dela datauppsättningar.
Notebooks
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.
Kommandoradsgränssnitt
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.
Hybrid 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 och korrekt 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 med funktioner för funktionsutveckling och genomsökning av hyperparametrar. Få åtkomst till felsökningsprogrammet, profileraren och förklaringarna för att förbättra modellens prestanda när du tränar. 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 maskininlärningsåtgärder (MLOps)
Effektivisera distributionen och hanteringen av tusentals modeller lokalt, vid gränsen och i miljöer med flera moln med hjälp av MLOps. Distribuera och poängsätt maskininlärningsmodeller snabbare med fullständigt hanterade slutpunkter för batch- och realtidsförutsägelser. Använd repeterbara pipelines för att automatisera arbetsflöden för kontinuerlig integrering och kontinuerlig leverans (CI/CD). Övervaka prestandamått för modellen kontinuerligt, identifiera dataavdrift och utlösa omträning för att förbättra modellens prestanda. Under hela livscykeln möjliggör du granskning och styrning med fördefinierad spårning och härledning för alla maskininlärningsartefakter.
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 och principer med orsaksanalys på instrumentpanelen för ansvarsfullt AI och generera ett styrkort vid distributionen. Exportera styrkortet till en PDF-fil för att kontextualisera mått för ansvarfullt AI och dela det med 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 maskininlärningslivscykeln med omfattande funktioner som omfattar identitet, autentisering, data, nätverk, övervakning, styrning och efterlevnad. Skapa säkrare maskininlärningslösningar med anpassad rollbaserad åtkomstkontroll, virtuella nätverk, datakryptering, privata slutpunkter och privata IP-adresser från slutpunkt till slutpunkt. Träna och distribuera modeller lokalt för att uppfylla krav på datasuveränitet. Hantera styrning med inbyggda principer och effektivisera kompatibiliteten med en omfattande portfölj som sträcker sig över 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.
Viktiga tjänstfunktioner för hela maskininlärningslivscykeln
Dataetikettering
Skapa, hantera och övervaka etiketteringsprojekt och automatisera iterativa uppgifter med hjälp av maskininlärningsassisterad etikettering.
Förberedelse av data
Utför interaktiv dataförberedelse med PySpark med hjälp av Azure Synapse Analytics.
Notebook-filer 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 maskininlärning
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.
Experimentering
Hantera och övervaka körningar eller jämför flera körningar för inlärning och experimentering. Skapa anpassade instrumentpaneler och dela dem med ditt team.
Modellregister och granskningslogg
Använd det centrala registret för att lagra och spåra data, modeller och metadata. Samla automatiskt in ursprungs- och styrningsdata med granskningslogg.
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 med 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 storföretagsklass
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 WaveTM 2020-rapporten
Se varför Forrester har utsett Azure Machine Learning till ledare i The Forrester WavTM inom Notebook-baserad förutsägelseanalys och maskininlärning för kvartal 3 2020.
Forrester Total Economic ImpactTM (TEI)-studie
Forrester Consulting Total Economic ImpactTM (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.
Maskininlärningsåtgärder (MLOps) – faktablad
Påskynda processen för att skapa, träna upp och distribuera modeller i stor skala.
Omfattande säkerhet och efterlevnad, inbyggt
-
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.
Använda Azure Machine Learning
Gå till din studiowebb
Skapa och träna
Distribuera och hantera
Redigera nya modeller och lagra dina beräkningsmål, modeller, distributioner, mått och körningshistorik i molnet.
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.
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
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
Nic Univen, informationsansvarig, AXA UK"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."
Bikram Virk, produktchef, AI och Machine Learning, FedEx"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."
Dr. Deepa Kasinathan, produktchef och gruppledare, Robotron Datenbank-Software GmbH"The end-to-end pipeline (built with Azure Machine Learning) has all the features needed to develop and maintain machine learning models throughout their lifecycles."
Ignasi Paredes-Oliva, Lead Data Scientist, Nestlé Global Security Operations Center"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."
Michael Cleavinger, Senior Director of Shopper Insights Data Science and Advanced Analytics, PepsiCo"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."
Gör livet enklare för tågresenärer
DB Systel, partner till det tyska järnvägsbolaget Deutsche Bahn, har utvecklat en lösning som heter Digital Guide Dog för att hjälpa passagerare. Med Azure Machine Learning tar det bara några timmar att träna upp en ny modell med neurala nätverk.
Azure Machine Learning-resurser
Självstudier för nybörjare
Avancerade självstudier
- Träna och distribuera automatiserade maskininlärningsmodeller
- Utforska MLOps-exempel i GitHub
- Använd designerverktyget för förutsägelse
- Tolka och förklara maskininlärningsmodeller
- Tolka och förklara automatiserade maskininlärningsmodeller
- Använda Python SDK för automatiserad maskininlärning
- Använda användargränssnittet för automatiserad maskininlärning
- Träna en tidsseriemodell automatiskt
- Träna automatiskt en objektidentifieringsmodell
- Träna upp en bearbetningsmodell för naturligt språk automatiskt
- Utforska exempel på automatiserad maskininlärning Jupyter Notebook i GitHub
Aktuella videor
- Fördefinierade Docker-avbildningar för slutsatsdragning
- Hanterade slutpunkter
- PyTorch Enterprise på Azure
- Kör maskininlärning var som helst
- Demokratisera AI med designverktyget för Machine Learning
- Lär dig hur du blir en maskininlärning-hjälte
- Azure Machine Learning-studio notebooks
- Hantera tillgångar, artefakter och kod
- Komma igång och analysera dina modeller
- Öka produktiviteten med dataetikettering
Uppdateringar, bloggar och meddelanden om Azure Machine Learning
-
UPPDATERING
Public preview: Azure Machine Learning updates
Vanliga frågor och svar om Azure Machine Learning
-
Tjänsten är allmänt tillgänglig i flera länder/regioner och fler är på gång.
-
Serviceavtalet (SLA) för Azure Machine Learning garanterar 99,9 procents drifttid.
-
Azure Machine Learning Studio är toppnivåresursen för Machine Learning. Det är en central plats för dataforskare och utvecklare där de kan arbeta med alla artefakter och skapa, träna och distribuera maskininlärningsmodeller.