FÖRHANDSVERSION

Nya funktioner för Azure Machine Learning finns nu i förhandsversion

Updated: 23 september, 2019

Funktionerna omfattar:

  • Open Datasets – Open Datasets är en samling datamängder från allmänheten som gör att du snabbare kan utveckla maskininlärningsmodeller som skapas i Azure. Open Datasets kan integreras med Machine Leaning Studio eller användas från notebook-filer skrivna i Python i Azure Machine Learning Service. Azure Open Datasets ger dig data av god kvalitet från allmänheten, som annars kan vara svåra att hitta och dyra att organisera. Data scientists blir mer produktiva eftersom de kan fokusera på att skapa modeller istället för att förbereda data.
  • Visuellt gränssnitt: Det nya visuella gränssnittet för Azure Machine Learning ger arbetsflödesfunktioner av dra och släpp-typ till Azure Machine Learning. Kunder som föredrar att jobba visuellt snarare än kodbaserat kan enklare skapa, testa och distribuera maskininlärningsmodeller. Den här integreringen sammanför de bästa delarna av ML Studio och AML. Dra och släpp-metoden gör att alla data scientists snabbt kan skapa en modell utan att skriva någon kod. Verktyget ger även flexibilitet att finjustera modellen. Med AML-tjänsten som serverdelsplattform får du all den skalbarhet, säkerhet och felsökning som ML Studio saknar. De enkla distribueringsfunktionerna i det visuella gränssnittet gör att du enkelt kan generera score.py-filer och skapa avbildningar. Du kan distribuera en tränad modell till valfritt AKS-kluster associerat med AML-tjänsten med bara några klick.
  • Automatisk maskininlärning – UX: 
    • Distribuera som webbtjänster för att generera förutsägelser om nya data
    • Ta fram den bästa modellen för klassificering, regression eller prognostisering med bara några klick
    • Analysera de genererade modellerna
    • Okvalificerade data scientists: Generera maskininlärningsmodeller utan att behöva skriva någon Python-kod (eller någon annan typ av kod). Data scientists: Utforska och generera hundratals modeller snabbt och fortsätt sedan att optimera de bästa i Jupyter-notebook-filer
  • Virtuella datorer för notebook-filer: Azure Machine Learning kommer i en privat förhandsversion med en värdbaserad notebook-filstjänst i mitten av april, och vi förväntar oss att förhandsversionen blir offentlig i maj. Värdbaserade notebook-filer ger en kodcentrerad upplevelse där användare kan utföra alla åtgärder som stöds i Python-SDK:t för Azure Machine Learning i en välbekant Jupyter-notebook-fil. Med värdbaserade notebook-filer blir det enklare att komma igång eftersom du får en säker och företagsklar miljö för maskininlärningsanvändare. I den privata förhandsversionen kan kunder använda en notebook-fil integrerad i Azure ML-arbetsytan, använda förkonfigurerade notebook-filer i Azure ML utan konfigurering och anpassa sina virtuella datorer för notebook-filerna samtidigt som de kan lägga till paket och drivrutiner.

​Nu kan du använda MLflow på din Azure Machine Learning-arbetsyta till att logga mätvärden och artefakter från träningskörningar på en central, säker och skalbar plats. MLflow-spårningen kan skötas från din lokala dator, en virtuell dator eller en fjärransluten beräkningsmiljö.

  • Data Box Edge med FPGA: Omprogrammerbara grindmatriser (FPGA:er) är ett inferensalternativ inom maskininlärning som baseras på Project Brainwave, en maskinvaruarkitektur från Microsoft. Data scientists och utvecklare kan använda omprogrammerbara grindmatriser till att göra AI-realtidsberäkningar snabbare. De här maskinvaruaccelererade modellerna är nu allmänt tillgängliga i molnet, tillsammans med en förhandsversion av modeller som distribueras till Data Box Edge. Omprogrammerbara grindmatriser ger dig bättre prestanda, flexibilitet och skalbarhet och är endast tillgängliga via Azure Machine Learning. De gör att du kan få korta svarstider för inferensförfrågningar i realtid, så att du inte behöver göra några asynkrona förfrågningar (batchhantering).
  • Azure Machine Learning
  • Azure Open Datasets
  • Microsoft Build