Azure Machine Learning
Maskininlärningstjänst i företagsklass som bygger och distribuerar modeller snabbare
Snabbare livscykel för maskininlärning från slutpunkt till slutpunkt
Gör jobbet enklare för utvecklare och dataforskare med ett brett urval av produktiva funktioner för att skapa, träna och distribuera maskininlärningsmodeller snabbare. Få ut produkter och tjänster på marknaden snabbare, samt främja teamsamarbete med branschledande MLOps–DevOps för maskininlärning. Använd en säker och betrodd plattform som är utformad för ansvarsfull AI.
Produktivitet för alla färdighetsnivåer med kod först och dra och släpp, samt automatiserad maskininlärning
Robusta MLOps-funktioner som integreras med befintliga DevOps-processer och hjälper till med att hantera hela ML-livscykeln
Modern rättvisa och modelltolkning som skapar ansvarsfulla AI-lösningar, med förbättrad säkerhet och kostnadshantering för avancerad styrning och kontroll.
Förstklassig support för ramverk med öppen källkod och språk, bland annat MLflow, Kubeflow, ONNX, PyTorch, TensorFlow, Python och R
Öka produktiviteten och få åtkomst till ML för alla färdigheter
Skapa och distribuera maskininlärningsmodeller snabbt med verktyg som uppfyller dina behov oavsett kompetensnivå. Använd designern utan kod för att komma igång, eller använd inbyggda Jupyter Notebook för att få kod först. Påskynda modellskapandet med användargränssnittet för automatiserad maskininlärning och få åtkomst till inbyggd funktionsteknik, algoritmval och rensning av hyperparametrar som möjliggör utveckling av modeller med hög exakthet.
Operationalisera i stor skala med robusta MLOps
MLOps (eller DevOps) för maskininlärning effektiviserar maskininlärningens livscykel från skapandet av modeller till distribution och hantering. Använd ML-pipelines till att skapa upprepningsbara arbetsflöden och använd ett djupgående modellregister för att spåra dina tillgångar. Hantera produktionsarbetsflöden i stor skala med avancerade aviseringar och maskininlärningsautomatisering. Profilera, validera och distribuera maskininlärningsmodeller från valfri plats, från molnet till gränsenheter, och hantera produktionsarbetsflöden för ML i stor skala som är företagsförberedda.
Skapa ansvarsfulla AI-lösningar
Få åtkomst till modern teknik för rättvisa och transparens i maskininlärningsmodeller. Använd modelltolkning till att förklara förutsägelser och bättre förstå modellbeteendet. Minska modellbias genom att tillämpa vanliga rättvisemått, automatiskt göra jämförelser och använda rekommenderad riskreducering.
Skapa på en öppen och flexibel plattform
Få inbyggt stöd för verktyg och ramverk med öppen källkod vid träning av maskininlärningsmodeller och slutsatsdragningar. Använd välbekanta ramverk som PyTorch, TensorFlow och scikit-learn, eller det öppna och interoperabla ONNX-formatet. Välj de utvecklingsverktyg som bäst passar dina behov, inklusive populära IDE:er, Jupyter Notebook och CLI:er – eller språk som Python och R. Använd ONNX Runtime till att optimera och påskynda slutsatsdragningar i moln och på gränsenheter.
Avancerad säkerhet, styrning och kontroll
- Skapa maskininlärningsmodeller med Azures säkerhet, efterlevnad och stöd för virtuella nätverk i företagsklass.
- Skydda dina tillgångar med inbyggda kontroller för identitet, data och nätverksåtkomst, inklusive anpassade roller.
- Begränsa åtkomsten till endast ditt företagsnätverk eller använd Azures säkerhetsprinciper.
- Hantera styrning och kontroller med spårning, kvot- och kostnadshantering, samt en omfattande efterlevnadsportfölj.
Betala endast för det du behöver utan några startkostnader
Mer information finns på prissättningssidan för Azure Machine Learning.
Använda Azure Machine Learning
Gå till din studiowebb
Skapa och träna
Distribuera och hantera
Du kan 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. Du kan också 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.
Resurser
Aktuella videor
Börja använda Azure Machine Learning i dag
Kunder som använder Azure Machine Learning
Dean Riddlesden, Senior Data Scientist, Global Analytics, Walgreens Boots Alliance"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."
Matthieu Boujonnier, Analytics Application Architect and Data Scientist, Schneider Electric"With Azure Machine Learning, we can focus our testing on the most accurate models and avoid testing a large range of less valuable models. That saves months of time."
Diana Kennedy, Vice President for IT Strategy, Architecture and Planning, BP"A key part of our transformation has been to embrace the cloud and the digital solutions and services that come with it. This includes a deep dive into AI and machine learning."
Naeem Khedarun, Principal Software Engineer (AI), ASOS"By unifying our tech stack and bringing our engineers in Big Data and online software together with data scientists, we got our development time down from months to just a few weeks."
Phil Harris, assisterande fysikprofessor, MIT"The [Large Hadron Collider in Europe] pushes technology on many fronts...and produces data rates that are the largest in the world. We are an example of how to do analysis of large datasets."
Borrowell hjälper kunderna förbättra krediten med hjälp av AI
Borrowells innovativa AI-teknik använder kreditpoäng för att ge rekommendationer som förbättrar krediten och ekonomin för sina kanadensiska köpare
Uppdateringar, bloggar och meddelanden om Azure Machine Learning
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 är 99,9 procent.
-
Azure Machine Learning-studion är tjänstens toppnivåresurs för maskininlärning. Den är en central plats för dataforskare och utvecklare där de kan arbeta med alla artefakter och skapa, träna och distribuera maskininlärningsmodeller.