Makine öğrenimi operasyonları (MLOps)
Makine öğrenmesi iş akışlarının otomasyonunu, işbirliğini ve yeniden üretilebilirliğini hızlandırın
Şirket içinden uca kadar üretim ortamlarındaki binlerce modelin kolaylaştırılmış dağıtımı ve yönetimi
Modelleri daha hızlı dağıtmak ve puanlamak için toplu ve gerçek zamanlı tahminler için tam olarak yönetilen uç noktalar
Sürekli tümleştirme/sürekli teslim (CI/CD) için makine öğrenmesi iş akışlarını otomatikleştirmeye yönelik yinelenebilir işlem hatları
Model performansı ölçümlerini sürekli olarak izler, veri kaymasını algılar ve model performansını artırmak için yeniden eğitme tetikler
Yenilikleri hızlı bir şekilde kullanıma sunun
MLOps (makine öğrenmesi işlemleri veya makine öğrenmesi için DevOps), makine öğrenmesi ile iş değeri elde etmek için kişilerin, işlemlerin ve platformun kesişim noktasıdır. Makine öğrenmesi modellerinin izlenmesi, doğrulanması ve idaresi yoluyla geliştirme ve dağıtımı kolaylaştırır.
Makine öğrenimi iş akışları ve modelleri oluşturun
Varlıkları izlemek için veri kümelerini ve zengin model kayıt defterlerini kullanın. Çalıştırma geçmişindeki koda, verilere ve ölçümlere yönelik izleme ile gelişmiş izlenebilirliği etkinleştirin. Tutarlı model teslimi için yeniden oluşturulabilir model iş akışları tasarlamak, dağıtmak ve yönetmek üzere makine öğrenmesi işlem hatları oluşturun.
Yüksek oranda doğru modelleri dilediğiniz yerde kolayca dağıtın
Güvenli bir şekilde hızlıca dağıtın. Temel altyapıyı yönetmeden güçlü CPU ve GPU makinelerinde modelleri dağıtmak için yönetilen çevrimiçi uç noktaları kullanın. Model profili oluşturma ve doğrulama araçlarını kullanarak modelleri hızlıca paketleyin ve her adımda yüksek kalite sağlayın. Modelleri üretime geçirmek için denetimli piyasaya çıkma kullanın.
Tüm makine öğrenmesi yaşam döngüsünü verimli bir şekilde yönetin
İş akışlarını sorunsuz bir şekilde yönetmek ve otomatikleştirmek için Azure DevOps ve GitHub Actions ile yerleşik birlikte çalışabilirlikten yararlanın. Model eğitimini ve dağıtım işlem hatlarını iyileştirin, yeniden eğitimi kolaylaştırmak üzere CI/CD için derleme yapın ve makine öğrenmesini mevcut yayın süreçlerinize kolayca uyarlayın. Zaman içindeki model performansını iyileştirmek için gelişmiş veri kayması analizini kullanın.
Varlıklar arasında idareyi sağlayın
Denetlenebilirlik için model sürümü geçmişini ve kökenini izleyin. Güvenlik, gizlilik ve uyumluluk standartlarına bağlı kalmalarını sağlamak için kaynaklar üzerinde işlem kotaları ayarlayın ve ilkeleri uygulayın. İdare ve denetim hedeflerini karşılamak, model saydamlığını ve eşitliği teşvik etmek için gelişmiş özellikleri kullanın.
MLflow ile birlikte çalışabilirlik avantajından faydalanın
MLflow ve Azure Machine Learning kullanarak esnek ve daha güvenli uçtan uca makine öğrenmesi iş akışları oluşturun. Mevcut iş yüklerinizi yerel yürütmeden akıllı buluta ve uç cihaza sorunsuz bir şekilde ölçeklendirin. MLflow denemelerinizi, çalıştırma ölçümlerinizi, parametrelerinizi ve model yapıtlarınızı merkezi bir Azure Machine Learning çalışma alanında depolayın.
Çalışma alanlarında işbirliğine dayalı MLOps'ları hızlandırın
Kayıt defterleri ile çalışma alanları arası işbirliğini ve MLOps'ı kolaylaştırın. Makine öğrenimi varlıklarını merkezi bir konumda barındırarak kuruluşunuzdaki tüm çalışma alanları için kullanılabilir hale getirin. Ekipler arasında modelleri, ortamları, bileşenleri ve veri kümelerini yükseltin, paylaşın ve keşfedin. Köken ve izlenebilirlik bozulmadan işlem hatlarını yeniden kullanın ve ekipler tarafından oluşturulan modelleri diğer çalışma alanlarında dağıtın.
Kaynak merkezi
Makine öğrenimi operasyonlarını uygulamalı olarak görün
Model iş akışlarını tasarlamak, dağıtmak ve yönetmek için makine öğrenmesi işlem hatları oluşturun
Model iş akışlarını tasarlamak, dağıtmak ve yönetmek için makine öğrenmesi işlem hatları oluşturun
Makine öğrenmesi işlem hattını otomatikleştirme
Sam, çevrimiçi bir moda perakendecisi için çalışan bir veri bilimcidir. Şirket, zamanında ve doğru öneriler sağlayarak hem müşteri memnuniyetini hem de satışları iyileştirmek için yakın zamanda makine öğrenmesi kullanmaya başladı.
Katalog güncelleştirmesinden sonra Sam'den marka önerisi modelini güncelleştirmesi istendi ancak kimse geçerli modelin nereden geldiğini bilmiyordu. Sam de yeniden oluşturulabilir ve izlenebilir bir iş akışı oluşturmak için Azure Machine Learning’i kullanmaya başladı.
Sam bir çevrimiçi perakendecide veri bilimcisi ve son katalog güncelleştirmesinden sonra Sam’den öneri modelini güncelleştirmesi istendi. Sam model işlem hattını arıyor ama modelin nereden geldiğini kimse bilmiyor.
Sam izlenebilir bir model iş akışı oluşturmak için Azure ML’ye yöneldi.
Mevcut araçlarınızla Azure Machine Learning kullanın
Sam, Jupyter Notebook tabanlı çalışmasını Azure Machine Learning'e taşımak için Azure Machine Learning SDK'sını kullanarak ölçeklendirme ve işbirliği özelliklerinden yararlandı. Seçtiği çerçeveyi kullanarak eğitim kodu ile veri kümelerinin sürümlerini oluşturdu ve bunları izlenebilir bir denemeye bağladı.
Her deneme çalıştırmasından ölçümleri yakalama
Sam, çalıştırmayı her yürüttüğünde Azure Machine Learning, çalıştırmanın ölçümlerini izler ve gözden geçirme için günlüğe kaydeder. Bu, değerlendirme ve karşılaştırmalar için girişler (veri kümeleri, kod ve parametreler gibi) ile çıkışları (günlükler, ölçümler ve modeller gibi) yakalar.
Çalışma alanında modelleri ve denemeleri gözden geçirin
Sam, not defteri ortamında çalışmaya devam ederken ekibi, model kayıt defterindeki son modelden, modeli oluşturmak için kullanılan her varlık ve adım aracılığıyla kolayca geriye doğru izlemek için Azure Machine Learning stüdyosunu kullanıyor.
Verimlilik ve tutarlılık için yeniden kullanılabilir işlem hatları oluşturun
Sam, model eğitimi iş akışı sağlamak ve bunu kaynak verilerdeki değişiklikler üzerinde otomatik olarak tetiklemek için yeniden kullanılabilir bir makine öğrenmesi işlem hattı oluşturdu. Gerekirse, girişleri değiştirmeden adımların sonucunu yeniden kullanabilir.
Yeniden oluşturulabilir makine öğrenmesi işlem hatları oluşturma
Sam, Azure Machine Learning'i kullanarak yeniden oluşturulup izlenebilir bir iş akışı oluşturdu. Ekibin oluşturduğu her model şimdi gözden geçirme ve yineleme için bir deneme çalıştırmasına bağlandı. Sam, yeniden oluşturulabilir işlem hattı sayesinde bir sonraki büyük işe odaklanırken Azure Machine Learning'in yeniden eğitimi otomatikleştirmesine olanak tanıyor.
Azure Machine Learning, yeniden oluşturulabilirlik ve izlenebilirlik aracılığıyla kurumsal düzeyde makine öğrenmesi işlem hatları oluşturmanıza yardımcı olur. Bu, daha az değişkenlik ve daha yüksek hataya dayanıklılık ile daha tutarlı model teslimi sağlar.
Makine öğrenmesi işlem hatları hakkında daha fazla bilgi edinin Bu tanıtım için GitHub deposuna göz atın
Azure ML’den yararlanan Sam yeniden üretilebilir ve izlenebilir bir iş akışı oluşturdu. Şimdi ekibin oluşturduğu her model bir deneme çalıştırmasına bağlı; bu da ekibe gözden geçirme ve yineleme olanağı sağlıyor. Yeniden üretilebilir bir işlem hattıyla Sam bir sonraki önemli işine odaklanırken Azure ML’nin de yeniden eğitimi otomatikleştirmesine izin verebilir.
Azure ML yeniden oluşturulabilirlik ve izlenebilirlik özellikleriyle kurumsal sınıf makine öğrenmesi işlem hatları oluşturmanıza yardımcı olur. Bu sayede daha az değişkenlik ve daha fazla hataya dayanıklılıkla daha tutarlı bir model teslimi yapılabilir.
Makine öğrenmesi işlem hatları hakkında daha fazla bilgi edinin Bu tanıtım için GitHub deposuna göz atın
Otomatik ölçeklendirme ve yönetilen, dağıtılmış çıkarım kümelerini kullanarak güvenli bir şekilde hızla dağıtın
Otomatik ölçeklendirme ve yönetilen, dağıtılmış çıkarım kümelerini kullanarak güvenli bir şekilde hızla dağıtın
Model için web hizmeti uç noktası dağıtma
Çevrimiçi bir moda perakendecisinde çalışan veri bilimci Sam, daha iyi modeller oluşturmak için iş akışına Azure Machine Learning ekledi. Sam’in otomatikleştirilmiş işlem hattı, iyileştirilmiş performans gösteren deneysel sonuçların eklendiği son bir modeli kısa süre önce kaydetti.
Web geliştirme ekibi, web uygulamasına makine öğrenmesi modelini nasıl ekleyeceğinden emin değildi ve bunun yerine bir web hizmeti istedi. Sam, modeline web hizmeti uç noktası eklemeye yardımcı olması için Azure Machine Learning kullandı.
Çevrimiçi bir perakendecide veri bilimci olan Sam, model oluşturup kaydetmek için Azure ML’yi kullandı. Web geliştirme ekibi şimdi ondan çıkarım için modelini çağıracak bir web uç noktası istedi. Sam, bu web hizmeti uç noktasını oluşturmak için Azure ML’yi kullanıyor.
En son modeli getirme ve üretim için profilini oluşturma
Sam, kayıt defterinden en son modeli getirdi ve üretimde ne tür kaynaklara ihtiyacı olabileceğini görmek için modelin profilini oluşturdu.
Modeli Azure Container Instances’a gönderme
Sam, elindeki profil oluşturma verileriyle modeli bir kapsayıcıya paketleyip gerçek zamanlı veya toplu çıkarım için Azure Container Instances’a dağıtmak üzere Azure Machine Learning kullandı. Dağıtımdan sonra Azure Machine Learning’deki otomatik şema oluşturma ve izleme özelliklerinden yararlandı.
Ölçeklenebilir, ayrı uç noktalara dağıtma ve A/B testleri uygulama
Sam, yalnızca birkaç satır kod yazarak aynı modeli daha ölçeklenebilir bir Azure Kubernetes Service (AKS) örneğine gönderdi ve yeni model doğrulaması için gelişmiş A/B testi özelliklerini kullandı. Sam, şimdi CPU, GPU ve FPGA gibi işlem seçeneklerini kullanarak modelleri gerektiğinde buluttan uç cihaza dağıtabiliyor.
Web geliştirme ekibinin dağıtılan modeli kullanmasını sağlama
Web geliştirme ekibi, model AKS örneğine dağıtıldıktan sonra uygulamalarından gerçek zamanlı veya toplu çıkarım gereksinimleri için çağrı yapmak üzere web hizmeti uç noktasına erişir. Sam, gerektiğinde denetlenebilen veri kayması ve diğer ölçümler için model uç noktasını izler.
Modelleri gerektiğinde yayımlayın
Sam, açık kaynak modelini geliştirme ekibi için üretime hazır bir web hizmetine dönüştürdü ve Kubernetes, Flask ve Swagger dahil olmak üzere hizmet barındırma için gereken birçok teknolojiyi öğrenmek yerine model geliştirmeye odaklanmaya devam etti.
Azure Machine Learning, modellerinizi tamamlanmış ve tam özellikli web hizmetlerine sorunsuz bir şekilde geçirmenize yardımcı olarak bu hizmetlerin uygulamalarda hızla benimsenmesini sağlıyor.
Sam Azure ML ile açık kaynak modelini alıp hızla geliştirme ekibinin kullanabileceği, üretime hazır bir web hizmetine dönüştürdü. Bir veri bilimcisi olarak hizmet barındırma için gereken birçok teknolojide (Kubernetes, Flask ve/veya Swagger gibi) becerilerini artırmak zorunda kalmadan model geliştirmeye odaklanabildi.
Azure ML veri bilimcilerinin modellerini rahatça olgun ve tam özellikli web hizmetlerine geçirmesine yardımcı olarak, bunların uygulamalarda hızla benimsenmesine olanak tanır.
Makine öğrenmesi iş akışlarını otomatikleştirmek için Azure DevOps ve GitHub Actions’ı birlikte çalıştırın
Makine öğrenmesi iş akışlarını otomatikleştirmek için Azure DevOps ve GitHub Actions’ı birlikte çalıştırın
DevOps iş akışınız ile tümleştirme
Çevrimiçi bir moda perakendecisi için çalışan veri bilimci Sam, modellerini oluşturup dağıtmak için Azure Machine Learning kullandı. Modelini kısa süre önce bir Azure Kubernetes Service (AKS) üretim örneğinde yayınladı ve web ekibi modeli web uygulamasına tümleştirerek harika sonuçlar elde etti.
Operasyon ekibinde yer alan Rebecca, model oluşturma ve dağıtımın DevOps iş akışlarının bir parçası olmasını sağlamak istiyordu. Sam bunu nasıl yapacağından emin değildi, bu yüzden Rebecca'yı Azure Machine Learning konusunda eğitti ve her ikisinin de gereksinimlerini nasıl karşılayabileceğini belirlemek için Rebecca ile birlikte çalıştı.
Veri bilimci Sam, yakın zamanda model oluşturup dağıtmak için Azure ML'yi kullandı. Kısa süre önce üretim AKS örneğinde bir model yayınladı. Rebecca örneği DevOps iş akışlarıyla tümleştirmek istiyordu. Sam onu Azure ML’ye yönlendirdi.
Azure Pipelines ile yeni bir kullanıma sunma işlem hattı oluşturma
Rebecca, dağıtım sürecini otomatikleştirmek için Azure Pipelines'ta bir işlem hattı oluşturdu. İşlem hattının ilk adımında modeli tüm bağımlılıklarla oluşturmak ve hataları denetlemek gibi görevler gerçekleştirildi. Rebecca, bu işlem hattını otomatik olarak tetiklemek için işlem hattını Azure Machine Learning modeli kayıt defterine bağlayarak yeni bir model veya modelin yeni bir sürümü kaydedildiğinde işlem hattının başlamasını sağladı.
Modeli doğrulama için yayımlama
Rebecca, model üretime geçmeden önce modeli doğrulama için Azure Container Instances'a yayımlayacak bir görev ekledi. Azure Machine Learning ile etkileşim kurmak için Azure CLI kullandı. Bu, Rebecca’nın, Sam'in not defterinde sahip olduğu araçlardaki aynı özelliklere erişmesini sağladı. Bu adım, Rebecca ve Sam’in uygulamalarının DevOps sürecindeki testlerini taklit ediyor.
Doğrulamadan sonra modeli üretime geçirin
Kullanıcı, AKS kullanarak modeli üretime dağıtmak için bir yayın işlem hattı görevi ekledi. Bu görev etkinleştirilmeden önce Rebecca, devam etmeden önce bir lider veya yöneticinin değerlendirmesini ve onaylamasını gerektiren bir geçit yapılandırdı. Bu, betikle yazılan doğrulamalarda bir sorun yakalanmadığı sürece işlem hattının büyük kesintilere neden olmamasını sağlıyor.
Yeniden eğitimi tetiklemek için veri kayması algılamayı ayarlama
Rebecca, modelleri dağıtmak için otomatikleştirilmiş işlem hattını ayarlarken Sam, Azure Machine Learning ile veri kayması izlemeyi etkinleştirir. Sam, hizmet kullanımını izleyerek üretimdeki çıkarsama isteklerinin eğitim veri kümesinden sapmaya başlayıp yeniden eğitme ihtiyacına işaret edip etmediğini görebilir.
Hizmeti ölçeklenebilirlik ve performans açısından izleme
Rebecca, Azure İzleyici özelliği olan Application Insights'ı kullanarak istek sayısı, AKS kümesine yükleme ve yanıt gecikmesi gibi hizmet işlemlerini izlerken Sam ise iyileştirme yapıp yapmayacağını belirlemek için model performansını izliyor.
Kolaylaştırılmış model iş akışı oluşturun
Rebecca, yayın otomasyonundan üretim izlemeye kadar Azure Machine Learning'i DevOps iş akışına dahil etti. Rebecca hizmet operasyonlarıyla ilgilenirken, Sam model performansını izleyip yönetiyor ve gerektiği şekilde iyileştirmeler yapıyor.
Azure Machine Learning, kuruluşunuzun DevOps sürecinde veri bilimini yükseltmeye yardımcı olarak daha güvenilir ve sağlam makine öğrenmesi projeleri oluşturmanızı sağlar.
Azure DevOps ve Azure App Insights gibi mevcut araçlarla yerel tümleştirmeler sayesinde, Azure ML kullanıma sunma otomasyonundan üretim izlemesine kadar Rebecca’nın mevcut DevOps iş akışıyla rahatça tümleştirildi. Rebecca operasyonlara göz kulak olurken, Azure ML de Sam’e model performansını izlemesi, yönetmesi ve gerektiğinde iyileştirmesi için araçları sağlıyor.
Azure ML veri biliminin kuruluşunuzdaki mevcut DevOps işleminde önemli bir konum elde etmesine yardımcı olarak daha güvenilir ve güçlü makine öğrenmesi projelerinin yolunu açar.
Makine öğrenmesi projelerinizde idareyi ve maliyet yönetimini geliştirin
Makine öğrenmesi projelerinizde idareyi ve maliyet yönetimini geliştirin
Makine öğrenmesi modeli idaresini etkinleştirme
Çevrimiçi bir moda perakendecisinde BT yöneticisi olan Phil, veri bilimi ve operasyon ekiplerinin Azure Machine Learning ile yaptığı çalışmalar konusunda oldukça meraklı.
Phil, şirketin BT altyapısından sorumlu olmasına rağmen üretimde ne olduğundan, kimin erişimi olduğundan veya ne kadar maliyetinin olduğundan emin değildi. İdare sorumluluklarını yerine getirmesine yardımcı olması için Azure Machine Learning kullanmaya karar verdi.
Çevrimiçi bir perakendecide BT Müdürü olan Phil, Sam ve Rebecca'nın çalışmaları konusunda oldukça heyecanlı ancak Phil, BT altyapısından sorumlu ve makine öğrenmesi projesinde idarenin nasıl sağlanacağını bilmiyor. Yardım için Azure ML'ye bakıyor.
Üretimdeki modelleri gözden geçirin
Phil, üretim uç noktalarını denetlemek için Azure Machine Learning kullanıyor. Model açıklamalarının ve eşitlik analizinin çıkışları ile birlikte temel alınan modellere ve denemelere geri dönebiliyor. Bu, Phil’in model oluşturma işlemindeki her adımı izlemesine ve herhangi bir sapma için model denetimini etkinleştirmesine olanak tanıyor.
Ayrıntılı model geçmişi için denetim günlüklerini denetleme
Phil, Azure Machine Learning denetim günlüklerine erişir. Bu günlükler, modellerde ve denemelerde bulunan izlenebilirliği, her eylemi (tarih, saat ve kullanıcı) izleyen ayrıntılı bir günlükle tamamlar. Bu günlükler, Phil’in kuruluş genelinde hesap verebilirlik için hizmet içinde veya hizmet tarafından başlatılan eylemleri izlemesine yardımcı olur.
Azure kimlik ve erişim yönetimini kullanarak çalışma alanının güvenliğini sağlayın
Phil, Azure Machine Learning çalışma alanına erişimi yönetmek için Azure kimlik ve erişim yönetimi çözümlerini kullanıyor. Phil, ayrıca kullanıcıların gerçekleştirebileceği görevleri sınırlandırmak ve kaynaklara erişimi denetlemek için yerleşik ve özel roller kullanıyor.
Azure kaynaklarıyla sorumluluğu güvence altına alma
Phil, kaynak sınırlarını ve paylaşımı yapılandırmak için kotalar özelliğini kullanıyor. Bu, Phil’in harcamaları yönetmesine, maliyetleri denetlenmesine ve ekipler arasında eşit şekilde kaynak ayırmasına yardımcı olurken ilgili proje ekipleri tarafından hesap verebilirliği de teşvik eder.
Model idaresi ve uyumluluğu elde edin
Phil şimdi nelerin üretimde olduğunu görebilir ve denetim, rol tabanlı erişim denetimi, kota denetimi aracılığıyla kuruluş uyumluluğu sağlayabilir. Phil, Azure Machine Learning'in yalnızca veri bilimi ve operasyon ekiplerini desteklemekle kalmayıp aynı zamanda ihtiyaç duyduğu kurumsal düzeyde idare özellikleri sunmasından da oldukça memnun.
Azure Machine Learning, makine öğrenmesi projelerini başarılı ve daha güvenli hale getirmek için gerekli olan kurumsal denetimleri sağlar.
Azure Machine Learning’i izleyin Azure Machine Learning için maliyetleri planlayıp yönetin
Phil Azure ML’nin veri bilimi ve operasyon ekiplerini desteklemekle kalmayıp kendi sorumluluklarını yerine getirmek için ihtiyacı olan kurumsal sınıf idare özellikleri de sağlamasından çok memnun kaldı. Hem üretimde neler olduğunu tam olarak görebiliyor hem de denetim, rol tabanlı erişim denetimi ve kota yönetimi aracılığıyla kurumsal uyumluluktan emin olabiliyor.
Azure ML makine öğrenmesi projelerinin başarılı ve güvenli olması açısından temel önem taşıyan kurumsal denetimleri sağlıyor.
Azure Machine Learning’i izleyin Azure Machine Learning için maliyetleri planlayıp yönetin
Yerleşik, kapsamlı güvenlik ve uyumluluk
-
Microsoft, siber güvenlik araştırma ve geliştirme çalışmalarına her yıl USD 1 milyarı aşan yatırımlar yapıyor.
-
Yalnızca veri güvenliği ve gizliliği için çalışan 3,500 güvenlik uzmanımız bulunuyor.
-
Azure, diğer tüm bulut sağlayıcılarından daha fazla sertifikaya sahiptir. Kapsamlı listeyi görüntüleyin.
Ücretsiz bir Azure hesabıyla kullanmaya başlayın
Ücretsiz başlayın. 30 gün içinde kullanmak üzere $200 kredi edinin. Kredinizi alırken, en popüler hizmetlerimizden birçoğunu ücretsiz miktarlarda ve her zaman ücretsiz olan 40'ın üzerinde diğer hizmeti ücretsiz miktarlarda edinin.
Krediniz bittikten sonra, aynı ücretsiz hizmetlerle oluşturmaya devam etmek için kullandıkça öde planına geçin. Yalnızca ücretsiz aylık miktarlarınızdan daha fazla kullanırsanız ödeme yapın.
12 aydan sonra 40'ın üzerinde her zaman ücretsiz hizmeti almaya ve yalnızca ücretsiz aylık miktarlarınız dışında kullandığınız kadar ödemeye devam edersiniz.
Müşterilerin makine öğrenimi operasyonlarıyla nasıl değer sağladığını öğrenin
Fedex
Bikram Virk, Ürün Müdürü, Yapay Zeka ve Makine Öğrenmesi, 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."
BRF
Alexandre Biazin, Teknoloji Üst Düzey Yöneticisi, BRF"We're scaling with automated machine learning in Azure and MLOps capabilities in Azure Machine Learning so that our 15 analysts can focus on more strategic tasks instead of the mechanics of merging spreadsheets and running analyses."
Nestle
Ignasi Paredes-Oliva, Baş Veri Mühendisi, Nestlé Küresel Güvenlik Operasyonları Merkezi"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."
PepsiCo
Michael Cleavinger, Alıcı İçgörüleri Veri Bilimi ve Gelişmiş Analiz Kıdemli Yöneticisi, 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."
Ek MLOps kaynakları
Kullanmaya başlayın
Eğitim
Uçtan uca MLOps öğrenme yoluBlog
- Microsoft'ta MLOps'u birleştirme
- MLOps olgunluk modeli kavramları
- Azure Machine Learning kurumsal hazırlıkta uzmandır
- Makine öğrenmesi sistemlerini test etme sanatı
- Makine öğrenmesi sistemlerinin sağlamlığını test etme
- Makine öğrenmesi sistemlerinin ölçeklenebilirliğini test etme
- Makine öğrenmesi sistemlerinin güvenliğini test etme