Azure Machine Learning’de yeni özellikler kullanıma sunuldu

Şu özellikler mevcuttur:

• Model Yorumlanabilirliği - Makine öğrenimi yorumlama, veri bilimcilerinin genel olarak tüm verilerdeki veya belirli bir veri noktasındaki makine öğrenmesi modellerini kullanımı kolay ve ölçeklenebilir bir şekilde en son teknolojilerle yerel olarak açıklamasına olanak tanır.  Makine Öğrenimi yorumlanabilirliği, Microsoft ve kanıtlanmış üçüncü taraf kitaplıklar tarafından geliştirilmiş teknolojileri (örn, SHAP ve LIME) dahil eder. SDK, tümleştirilmiş kitaplıklarda genel bir API oluşturur ve Azure Machine Learning hizmetlerini tümleştirir. Bu SDK’yı kullanarak genel olarak tüm verilerdeki veya belirli bir veri noktasındaki makine öğrenmesi modellerini kullanımı kolay ve ölçeklenebilir bir şekilde en son teknolojilerle yerel olarak açıklayabilirsiniz.
• AutomatedML aracılığıyla tahmin etme, Otomatikleştirilmiş ML gelişmeleri ve Databricks, CosmosDB ve HDInsight’ta desteklenen AutomatedML
  • Otomatikleştirilmiş ML, ML iş akışının parçalarını otomatikleştirerek ML modellerini oluşturmak için gereken süreyi kısaltarak veri bilimcilerinin önemli işlere odaklanabilmesi için zaman yaratır ve ML’yi basitleştirerek bunu geniş bir kitleye uyarlar. Şunları duyurduk:
  • Tahmin etme, yeni özelliklerle genel kullanıma sunuldu
  • Databricks, SQL, CosmosDB ve HDInsight tümleştirmeleri
  • Açıklanabilirlik, gelişmiş performans ile genel kullanıma sunuldu
• ML.NET 1.0 sürümünün .NET tümleştirmesi, Mayıs 2018’de ML.NET 0.1’i açık kaynak olarak sunduğumuzda açıkta başlayan bu harika yolculuğun ilk büyük kilometre taşı. O zamandan beri 12 tane aylık önizleme sürümü ve bu son 1.0 sürümünü yayınladık. ML.NET, .NET geliştiricilerine yönelik olan, açık kaynak ve platformlar arası bir makine öğrenimi çerçevesidir. Geliştiriciler, ML.NET’i kullanarak, uygulamalarında Yaklaşım Analizi, Öneri, Görüntü Sınıflandırma ve diğer genel senaryolar gibi özel makine öğrenmesi modelleri oluşturmaya yönelik özel yapay zeka geliştirmek ve bunu uygulamaya eklemek için beceri kümelerini mevcut araçlarından yararlanabilir. Azure Makine Öğrenimi ile ML.NET’i kullanmak için NimbusML ML.NET Python bağlamalarını kullanabilirsiniz. NimbusML, veri bilimcilerine Python kullanarak Azure Machine Learning’de veya farklı bir yerde model eğitmek için ML.NET’i kullanma olanağı tanır. Tıpkı bu örnekteki gibi, eğitilen makine öğrenmesi modeli, ML.NET PredictionEngine ile kolayca bir .NET uygulamasında kullanılabilir.
• Denemeler, işlem hatları, model kaydı, doğrulama ve dağıtım için birinci sınıf Azure DevOps desteği: Azure Machine Learning’in görevi, uçtan uca makine öğrenimi yaşam döngüsünü basitleştirmektir. Veri hazırlama, model eğitimi, model paketleme, doğrulama ve model dağıtımı da bu sürece dahildir. Buna olanak tanımak için aşağıdaki hizmetleri sunuyoruz:
  • Azure ML Denetim Kaydı’yla tümleştirilmiş Çevre, Kod ve Veri için sürüm oluşturma hizmetleri
  • Makine Öğrenimi ve Azure ML CLI için Azure DevOps uzantısı
  • ML modellerini doğrulamak ve dağıtmak için basitleştirilmiş bir deneyim. Microsoft, zamanınızı üretime hazır, yerel bulut ML çözümü için hızlandırarak ML’yi hızla benimsemenizi sağlar. Üretime hazır olma şöyle tanımlanabilir:
    • Yeniden üretilebilir model eğitimi işlem hatları
    • Yayınlamadan önce modeli kanıtlanabilir bir biçimde doğrulayın, profilini oluşturun ve izleyin
    • Kurumsal sınıfta piyasaya çıkma ve tüm gerekli güvenlik yönergelerini gözeten tümleştirilmiş gözlemleme 
• TensorRT ile ONNX Çalışma Zamanı: Geliştiricilerin seçtikleri çerçeveyi gözetmeksizin kolayca endüstri lideri GPU ivmesinden faydalanmasını sağlayan ONNX Çalışma Zamanı’ndaki NVIDIA TensorRT çalıştırma sağlayıcısı ONNX Çalışma Zamanının genel kullanıma sunulduğunu heyecanla duyuruyoruz. Geliştiriciler, PyTorch, TensorFlow ve diğer popüler çerçevelerden dışarı aktarılabilen veya dönüştürülebilen ONNX modellerinin çıkarımını hızlandırabilir.  TensorRT çalıştırma sağlayıcısıyla birlikte ONNX Çalışma Zamanı, NVIDIA donanımında derin öğrenme modellerinin çıkarımını hızlandırır. Bu, geliştiricilerin farklı donanımlarda ONNX modeli çalıştırmasına ve farklı donanım yapılandırmalarını hedef alma esnekliğiyle uygulama oluşturmasına olanak tanır. Mimari, derin sinir ağlarının çalıştırılmasını iyileştirme konusunda büyük önem taşıyan donanıma özel kütüphanelerin ayrıntılarını özetler.
• FPGA temelli ML Hızlandırılmış Donanım Modelleri: FPGA’lar, Microsoft tarafından sunulan bir donanım mimarisi olan Brainwave Projesi’ni temel alan makine öğrenimi çıkarım seçenekleridir. Veri bilimcileri ve geliştiriciler, gerçek zamanlı yapay zeka hesaplamalarını hızlandırmak için FPGA’ları kullanabilir. Bu Hızlandırılmış Donanım Modelleri, Data Box Edge’de dağıtılan modellerin önizlemesiyle birlikte bulutta genel olarak kullanıma sunuldu. Performans, esneklik ve ölçek sunan FPGA’lar sadece Azure Machine Learning aracılığıyla kullanılabilir. FPGA’lar, asenkron isteklere olan ihtiyacı azaltarak, gerçek zamanlı çıkarım istekleri için düşük gecikme süresi elde etme olanağı tanır.

Daha fazla bilgi edinin