MLOps (maskininlärningsdrift)
Azure Machine Learning-funktioner som automatiserar och påskyndar livscykeln för maskininlärning
Möjligheten att reproducera träning med avancerad spårning av datauppsättningar, kod, experiment och miljöer i ett omfattande modellregister.
Automatisk skalning, kraftfull hanterad beräkning, kodlös distribution och verktyg för enkel träning och distribution av modeller.
Effektiva arbetsflöden med funktioner för schemaläggning och hantering för att skapa och distribuera med kontinuerlig integrering/kontinuerlig distribution (CI/CD).
Avancerade funktioner för att uppfylla styrnings- och kontrollmål och främja transparens och rättvisa i modeller.
Leverera innovation snabbt
MLOps – maskininlärningsdrift eller DevOps för maskininlärning – gör det möjligt för datavetenskap och IT-team att samarbeta och påskynda utveckling och distribution av modeller via övervakning, validering och styrning av maskininlärningsmodeller.

Skapa reproducerbara arbetsflöden och modeller
Minska variationerna i modelliterationer och ge feltolerans för scenarier i företagsklass genom reproducerbar träning och modeller. Använd datauppsättningar och omfattande modellregister för att spåra tillgångar. Möjliggör förbättrad spårbarhet med spårning av kod, data och mått i körningshistoriken. Skapa maskininlärningspipelines för att utforma, distribuera och hantera reproducerbara modellarbetsflöden för konsekvent modellleverans.
Distribuera enkelt mycket exakta modeller var som helst
Distribuera snabbt med tillförsikt. Använd autoskalning, hanterad CPU och GPU-kluster med distribuerad träning i molnet. Paketera modeller snabbt och säkerställ hög kvalitet i varje steg med hjälp av modellprofilerings- och valideringsverktyg. Använd kontrollerad distribution för att flytta upp modeller till produktion.
Hantera hela maskininlärningslivscykeln effektivt
Använd inbyggd integrering med Azure DevOps och GitHub Actions för smidig schemaläggning, hantering och automatisering av arbetsflöden. Optimera modelltränings- och distributionspipelines, skapa för CI/CD för att underlätta omträning och enkelt anpassa maskininlärning till dina befintliga lanseringsprocesser. Använd avancerad dataavvikelseanalys för att förbättra modellens prestanda över tid.
Uppnå styrning mellan tillgångar
Spåra modellversionshistorik och ursprung för granskning. Ange beräkningskvoter för resurser och tillämpa principer för att säkerställa efterlevnad av säkerhets-, sekretess- och efterlevnadsstandarder. Skapa granskningsspår för att uppfylla regelkraven när du taggar maskininlärningstillgångar och spårar automatiskt experiment för CI/CD. Använd de avancerade funktionerna för att uppfylla styrnings- och kontrollmålen och för att främja transparens och rättvisa i modellen.
Dra nytta av samverkan med MLflow
Skapa flexibla och säkrare arbetsflöden för maskininlärning från slutpunkt till slutpunkt med MLflow och Azure Machine Learning. Skala sömlöst dina befintliga arbetsbelastningar från lokal körning till det intelligenta molnet och gränsenheter. Lagra dina MLflow-experiment, kör mått, parametrar och modellartefakter i den centraliserade Azure Machine Learning arbetsytan.
Resurscenter
Hantera tillgångar, artefakter och kod
Skapa händelsedrivna arbetsflöden för maskininlärning

Öka tiden till värde med metodtips för MLOps
Fler organisationer använder maskininlärning för att skapa förutsägelseinsikter och driva affärsresultat. Lär dig hur du använder MLOps för att påskynda utvecklingen och distributionen av maskininlärningsmodeller och öka tiden till värde.

Påskynda ML-livscykeln med Azure Machine Learning
Snabbare åtkomst till AI- och maskininlärningsinsikter är avgörande för företagets framgång. Lär dig hur du skapar och distribuerar maskininlärningslösningar snabbt och effektivt och effektiviserar arbetsflöden med Azure Machine Learning.
Se maskininlärningsdrift som pågår
Se hur kunder levererar värde med maskininlärningsdrift
Sze-Wan Ng, chef för analys och utveckling, TransLink"With MLOps in Machine Learning, we've improved bus departure predictions by 74 percent, and riders spend 50 percent less time waiting."

Vijaya Sekhar Chennupati, tillämpad dataforskning på Johnson Controls"Using the MLOps capabilities in Azure Machine Learning, we were able to increase productivity and enhance operations, going to production in a timely fashion and creating a repeatable process."
