Trace Id is missing
跳到主内容

Azure 机器学习

为端到端机器学习生命周期使用企业级 AI 服务。

大规模构建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 AI 学习平台专为机器学习中的负责任 AI 应用程序而设计。

Video container

加快价值实现速度

利用强大的 AI 基础结构 构建机器学习模型,并使用提示流协调 AI 工作流。

协作并简化 MLOps

用于跨工作区协作和 MLOps 的快速 ML 模型部署、管理和共享。

信心十足地开发

用于在任何位置运行机器学习工作负载的内置治理、安全性和合规性

负责任地设计

负责任 AI 使用数据驱动的决策来构建可解释的模型,以实现透明度和责任。

观看标题为“凭借 Analytics + AI 揭示预测见解”的网络研讨会

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。

返回到选项卡

适用于生成式 AI 的 Azure 机器学习

AI 工作流编排

使用提示流简化基于大型语言模型的应用程序的设计、评估和部署。 轻松跟踪、重现、可视化和改进各种工具和资源中的提示和流,详细了解机器学习中的生成式 AI

托管端到端平台

使用本机MLOps功能简化整个大型语言模型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。

灵活的工具和框架

使用 PyTorch 或 TensorFlow 等灵活框架,在 Visual Studio Code 和 Jupyter Notebook 等工具中构建深度学习模型。Azure 机器学习与 ONNX RuntimeDeepSpeed 兼容,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

通过统一的工作室体验提高工作效率。借助对开源框架和库的内置支持,使用 Jupyter Notebook 构建、训练和部署模型。通过自动化机器学习快速为表格、文本和图像数据创建模型。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。使用提示流设计、比较、评估和部署基于大型语言模型的应用程序的提示。

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价 ML 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。

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。

一个人在会议室的笔记本电脑上工作

整个机器学习生命周期的关键服务功能

  • 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。

  • 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。

  • 负责任 AI

    使用可解释性功能构建 负责任 AI 解决方案。通过差异指标评估模型公平性并减少不公平性。

  • 注册表

    使用 组织范围内的存储库 跨多个工作区存储和共享模型、管道、组件和数据集。使用审核跟踪功能捕获世系并管理数据。

  • 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。

全面的内置安全性和合规性

开始使用 Azure 免费帐户

1

免费开始使用获取有效期 30 天的 USD200 额度。拥有赠金时,可获取许多最热门服务的免费使用量,外加超过 55 种其他永久免费的服务的免费使用量。

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

12 个月后,你将能继续使用超过 55 种永久免费的服务,而且仍然只需为超出每月免费使用量的部分付费。

了解客户如何使用 Azure 机器学习通过 AI 进行创新

“PyTorch 和 Azure 机器学习是研究团队目标的完美匹配,可节省时间来创建颠覆性创新。”

Orlando Ribas Fernandes

Fashable 联合创始人兼 CEO

“我们的团队通常会测试 [data],获取结果,然后使用它来开发模型和算法,然后将其构建到软件产品中。此平台使整个过程更轻松、更快、更简化。”

Mogens Mikkelsen

SEGES Innovation 的企业架构师

“我们的更多组依赖于 Azure 机器学习解决方案,由此我们的财务专家可以将更多精力放在更高级别的任务上,并减少在手动数据收集和输入上花费的时间。”

JeffNeilson

数据科学经理,3M

一名正在工作的焊工

i

“通过 Azure 机器学习,我们可以向患者显示一个高度适合其个人情况的风险分数。…最终,我们的目标是降低风险、减少不确定性并改进治疗结果。”

Mike Reed 教授

诺森比亚医疗保健 NHS 基金会信托公司创伤骨科临床主任

与患者交谈的医疗专业人员

1

“纵向扩展和缩减计算资源的能力对于创新速度和成本效率至关重要。... Azure 机器学习及其内置机器学习操作功能使实现灵活性和成本效益变得简单。”

Kate Puech

Axon AI 工程总监

.

“使用机器学习模型创建的 Azure 机器学习的自动化机器学习功能使我们能够实现一个环境,在该环境中,我们可以从多个角度创建和试验各种模型。”

Keiichi Sawada

Seven Bank 企业转型部

Seven Bank 位置
返回到标签页

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。

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

了解如何构建更安全、可缩放和增强的机器学习解决方案。

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。

有关 Azure 机器学习的常见问题

  • 该服务已在一些国家/地区 正式发布 ,即将在其他国家/地区正式发布。

  • SLA Azure 机器学习的运行时间为 99.9%。

  • Azure 机器学习工作室是机器学习的首要资源。此功能为数据科学家和开发人员提供了一个集中的场所,他们可使用其中的所有项目来构建、训练和部署机器学习模型。

准备就绪后,即可设置 Azure 免费帐户

免费试用 Azure 机器学习