Azure 机器学习

为端到端机器学习生命周期使用企业级服务。

免费试用 Azure 机器学习已经是 Azure 客户？ Azure 机器学习入门

大规模业务关键型机器学习模型

Azure 机器学习使数据科学家和开发人员能够更快、更自信地构建、部署和管理高质量模型。它通过行业领先的机器学习操作 (MLOps)、开源互操作性和集成工具加速价值。此受信任的平台专为机器学习中的负责任的 AI 应用程序而设计。

使用集成工具快速开发和训练模型，并支持可缩放的专用 AI 基础结构。

负责任 AI 模型开发，具有内置的公平性和可解释性，并负责合规性使用

用于跨工作区协作和 MLOps 的快速 ML 模型部署、管理和共享

用于在任何位置运行机器学习工作负载的内置治理、安全性和符合性

了解 Azure 机器学习的新增功能

端到端机器学习生命周期的支持

准备数据生成和训练模型验证和部署管理和监视

数据标签

标记训练数据并管理标记项目。

数据准备

与分析引擎一起使用，用于数据浏览和准备。

数据集

访问数据并创建和共享数据集。

Notebooks

将协作式 Jupyter Notebook 与附加计算配合使用。

自动执行机器学习

自动训练和优化准确的模型。

拖放设计器

使用拖放开发接口进行设计。

试验

运行试验并创建和共享自定义仪表板。

CLI 和 Python SDK

在 Azure 计算上纵向扩展和横向扩展时，加快模型训练过程。

Visual Studio Code 和 GitHub

使用熟悉的工具，轻松地从本地培训切换到云培训。

计算实例

在托管且安全的环境中使用动态可缩放的 CPU、GPU 和超级计算群集进行开发。

开源库和框架

获取对 Scikit-learn、PyTorch、TensorFlow、Keras、Ray RLLib 等的内置支持。

托管终结点

快速轻松地部署用于批处理和实时推理的模型。

管道和 CI/CD

自动化机器学习工作流。

预生成的映像

使用框架和库访问容器映像以供推理。

模型存储库

共享和跟踪模型和数据。

混合和多云

在本地和跨多云环境训练和部署模型。

优化模型

使用 ONNX 运行时加速训练和推理并降低成本。

监视和分析

跟踪、记录和分析数据、模型和资源。

数据偏移

检测偏移并保持模型准确性。

错误分析

调试模型并优化模型准确性。

审核

跟踪机器学习项目以实现合规性。

策略

使用内置和自定义策略进行合规性管理。

安全性

通过 Azure 安全中心享受持续监视。

成本控制

应用配额管理和自动关闭。

Azure 机器学习深度学习

托管端到端平台

使用本机 MLOps 功能简化模型的整个深度学习生命周期和管理。借助企业级安全性，安全地在任意位置运行机器学习。使用负责任的 AI 仪表板缓解模型偏差并评估模型。

任何开发工具和框架

使用你最喜爱的 IDE 构建深度学习模型，从 Visual Studio Code 到 Jupyter Notebook，并使用你任选的框架，包括 PyTorch 和 TensorFlow。Azure 机器学习与 ONNX 运行时和 DeepSpeed 集成，以优化训练和推理。

世界一流性能

利用专门设计的 AI 基础结构，将最新的 NVIDIA GPU 和 Mellanox 网络合并为最高 200GB/秒的 InfiniBand 互连。在具有前所未有的规模的单个群集中纵向扩展到数千个 GPU。

通过快速模型开发加快价值实现

借助工作室功能（支持所有机器学习任务的开发体验）提高工作效率，生成、训练和部署模型。使用对常用开源框架和库的内置支持与 Jupyter Notebook 进行协作。使用特征工程和超参数扫描，通过自动化机器学习快速为表格、文本和图像模型创建准确的模型。使用 Visual Studio Code 无缝地从本地转到云训练，并通过由 NVIDIA Quantum InfiniBand 网络提供支持的基于云的强大 CPU 和 GPU 群集进行自动缩放。

使用 MLOps 执行大规模操作

使用 MLOps 简化多个环境中数千个模型的部署和管理。使用完全托管的终结点为批处理和实时预测更快地部署和评分模型。使用可重复管道自动执行工作流以实现持续集成和持续交付 (CI/CD)。跨多个团队共享和发现机器学习项目，以便使用注册表进行跨工作区协作。持续监视模型性能指标、检测数据偏移并触发重新训练以提高模型性能。

交付负责任的机器学习解决方案

使用可重现和自动化的工作流评估机器学习模型，以评估模型公平性、可解释性、错误分析、因果分析、模型性能和探索性数据分析。在负责任的 AI 仪表板中使用因果分析进行实时干预，并在部署时生成记分卡。将技术和非技术受众的负责任的 AI 指标上下文化为涉及利益干系人并简化合规性评审。

在更安全、更合规的混合平台上进行创新

通过涵盖标识、数据、网络、监视和合规性的综合功能，提高机器学习生命周期的安全性。使用自定义基于角色的访问控制、虚拟网络、数据加密、专用终结点和专用 IP 地址保护解决方案。在本地训练和部署模型以满足数据主权要求。使用内置策略进行治理，并通过 60 项认证（包括 FedRAMP High 和 HIPAA）简化合规性。

通过 Azure 培养机器学习技能

了解有关 Azure 上的机器学习的详细信息，并参与为期 30 天的学习旅程的实践教程。结束时，你将准备好应战 Azure 数据科学家助理认证。

探索机器学习工具

整个机器学习生命周期的关键服务功能

数据标签

创建、管理和监视标记项目，并借助机器学习辅助标记自动执行迭代任务。
数据准备

在 Azure 机器学习内 Apache Spark 群集上大规模循环访问数据准备，可与 Azure Synapse Analytics 互操作。

协作式笔记本

使用 IntelliSense、轻松计算和内核切换以及脱机笔记本编辑功能，最大限度地提高工作效率。在 Visual Studio Code 中启动笔记本以获得丰富的开发体验，包括安全调试和对 Git 源代码管理的支持。
自动执行机器学习

快速创建用于分类、回归、时序预测、自然语言处理任务和计算机视觉任务的准确模型。使用模型可解释性来了解构建模型的方式。

拖放式机器学习

使用机器学习工具（如设计器）进行数据转换、模型训练和评估，或者轻松地创建和发布机器学习管道。
强化学习

将强化学习扩展到强大的计算群集，支持多代理方案并访问开源强化学习算法、框架以及环境。

负责任的建筑

借助可解释性功能在训练和推理时获取模型透明度。通过差异指标评估模型公平性并减少不公平性。使用错误分析工具包提高模型可靠性并识别和诊断模型错误。帮助通过差分隐私技术保护数据。
试验

管理和监视运行，或比较多个运行以进行训练和试验。创建自定义仪表板并与团队共享。

注册表

使用组织范围的存储库跨多个工作区存储和共享模型、管道、组件和数据集。使用审核跟踪功能自动捕获世系并调控数据。
Git 和 GitHub

使用 Git 集成跟踪工作并适用 GitHub Actions 支持来实现机器学习工作流。

托管终结点

使用托管终结点使模型部署和评分可操作、记录指标，以及执行安全模型推出。
自动缩放计算

使用专门构建的 AI 超级计算机来分配深度学习训练，并快速测试、验证和部署模型。在工作区内共享 CPU 和 GPU 群集并自动缩放，以满足机器学习需求。

与其他 Azure 服务的互操作性

借助与 Microsoft Power BI 和一些服务（例如 Azure Synapse Analytics、Azure 认知搜索、Azure 数据工厂、Azure Data Lake、Azure Arc、Azure 安全中心和 Azure Databricks）的来提高工作效率。
混合和多云支持

使用 Azure Arc 在本地、多云环境和边缘的现有 Kubernetes 群集上运行机器学习。无论数据位于何处，都可以使用简单机器学习代理更安全地开始训练模型。