端到端机器学习生命周期的支持
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 AI 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
使用熟悉的机器学习工具,轻松地从本地切换到云训练。
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
共享和跟踪机器学习模型和数据。
混合和多云
在本地和跨多云环境训练和部署模型。
优化的模型
使用 ONNX 运行时加速训练和推理并降低成本。
注册表
跨组织中的团队共享和发现模型和管道。
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 AI 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功能简化整个深度学习生命周期和模型管理。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
在所选的框架中使用PyTorch 和 TensorFlow,通过首选的集成开发环境 (IDE),从 Visual Studio Code 到 Jupyter Notebook 构建深度学习模型。Azure 机器学习与 ONNX Runtime和 DeepSpeed 进行互操作,以优化训练和推理。
世界一流性能
使用专门构建的 AI 基础结构 将最新的 NVIDIA GPU 和最高可达 400 Gbps 的 InfiniBand 网络解决方案组合在一起。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
使用支持机器学习任务的统一工作室体验提高工作效率。使用对常用开源框架和库的内置支持,使用 Jupyter Notebook 生成、训练和部署模型。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 无缝地从本地到云训练,并通过 NVIDIA Quantum-2 InfiniBand 平台提供支持的Azure AI 基础结构进行自动缩放。
使用 MLOps 协作并简化模型管理
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,以便使用注册表和托管功能存储进行跨工作区协作。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。
在混合平台上构建企业级解决方案
使用 Microsoft Purview 中的内置数据治理,在机器学习生命周期中将安全性放在第一位。利用涵盖标识、数据、网络、监视和合规性的全面安全功能,这些功能均由 Microsoft 测试和验证。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。在任何位置(从本地到多云)训练和部署模型,以满足数据主权要求。使用内置策略和 60 项认证(包括 FedRAMP High 和 HIPAA)合规性自信地进行治理。
在整个生命周期中使用负责任 AI 做法
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 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。
整个机器学习生命周期的关键服务功能
-
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 Databricks 互操作。
-
特征存储
通过使功能可发现且可在多个工作区中重复使用,提高交付模型的灵活性。
-
协作式笔记本
在 Jupyter Notebook 或 Visual Studio Code 中启动笔记本以获得丰富的开发体验,包括调试和对 Git 源代码管理的支持。
-
自动执行机器学习
使用自动化机器学习 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。
全面的内置安全性和合规性
-
Microsoft 每年在网络安全研发方面的投资超过 USD 10 亿。
-
我们雇佣了 3,500 多名安全专家,专门负责数据安全和隐私方面的工作。
-
Azure 拥有比任何其他云提供商都多的认证。查看完整列表。
-
仅对所需资源付费,无前期成本
开始使用 Azure 免费帐户
2
用完额度后,请改为即付即用定价以继续使用相同的免费服务构建自己的内容。只需为超出每月免费金额以外的部分付费。
3
Azure 机器学习资源
IDC MarketScape:MLOps 2022 供应商评估
了解各行各业的企业组织如何使用 MLOps 来克服实现 AI 和机器学习技术的挑战。
掌握 Azure 机器学习指南
学习使用 TensorFlow、Spark 和 Kubernetes 在 Azure 中生成高度可缩放的自动化端到端机器学习模型和管道的专家技术。
工程 MLOps 白皮书
发现使用 MLOps 构建、部署和监视机器学习解决方案的系统性方法。大规模快速构建、测试和管理生产就绪机器学习生命周期。
Forrester Total Economic Impact(总体经济影响)研究
由 Microsoft 委托的 Forrester Consulting Total Economic ImpactTM 研究探讨了企业可能通过 Azure 机器学习实现的潜在投资回报。
机器学习解决方案白皮书
了解如何构建更安全、可缩放和增强的机器学习解决方案。
负责任 AI 白皮书
了解用于更好地理解、保护和控制模型的工具和方法。
MLOps 白皮书
加速大规模构建、训练和部署模型的过程。
已启用 Azure Arc 的机器学习白皮书
了解如何在任何基础结构中生成、训练和部署模型。