跳过导航

Azure 机器学习

使用端到端机器学习生命周期的企业级服务

Azure 机器学习

使用端到端机器学习生命周期的企业级服务

大规模地构建业务关键型机器学习模型

助力数据科学家和开发人员更快、更自信地构建、部署和管理高质量的模型。利用行业领先的机器学习操作(MLOps)、开源互操作性和集成工具加快价值实现速度。在专为机器学习中的负责任 AI 应用程序设计的安全可信平台上进行创新。

快速生成和训练模型

使用工作室开发体验来访问内置工具,并获得对开源框架和库的一流支持。

提供负责的解决方案

开发模型以实现公平性和可解释性,在部署时负责任地使用模型,并进行治理以满足追溯和审核合规性要求。

大规模操作

使用 MLOps 快速、轻松地部署 ML 模型,并有效地管理和治理模型。

在更安全的混合平台进行创新

在内置治理、安全性和合规性的情况下,在任意位置运行机器学习工作负载。

机器学习项目的 ROI 高达 3 倍

训练模型的步骤减少 70%

管道的代码行数减少 90%

60 份合规性认证

PyTorch Enterprise 的唯一平台

支持端到端机器学习生命周期

数据标记

标记培训数据并管理标记项目。

数据准备

与分析引擎一起用于数据探索和准备。

数据集

访问数据并创建和共享数据集。

Notebooks

使用带有附加计算的协作 Jupyter Notebook。

自动执行机器学习

自动培训和调整精确的模型。

拖放设计器

使用拖放开发界面进行设计。

试验

运行试验并创建和共享自定义仪表板。

命令行接口

在 Azure 计算上向上和向外缩放时,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

使用云 CPU、GPU 和超级计算集群,在托管且安全的环境中开发。

开放源代码库和框架

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

托管终结点

快速、轻松地部署用于批量实时推理的模型。

管道和 CI/CD

自动执行机器学习工作流。

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

共享和跟踪模型与数据。

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 运行时加速培训和推理并降低成本。

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度。

错误分析

调试模型并优化模型准确度。

审核

跟踪机器学习项目以确保合规性。

策略

使用内置和自定义策略进行合规性管理。

安全性

享受 Azure 安全中心的持续监视。

成本控制

应用配额管理和自动关闭。

通过快速且准确的模型开发加快价值实现速度

使用工作室功能(支持所有机器学习任务构建、训练和部署模型的开发体验)提高工作效率。使用对常用开源框架和库的内置支持,与 Jupyter 笔记本协作。使用特征工程和超参数扫描功能,通过自动化机器学习快速创建准确的模型。访问调试器、探查器和说明以提高训练时的模型性能。使用深度 Visual Studio Code,从本地训练无缝过渡到云训练,并使用强大的基于云的 CPU 和 GPU 群集实现自动缩放。

通过机器学习操作 (MLOps) 进行大规模操作

使用 MLOps 在本地、边缘和多云环境中简化对上千个模型的部署和管理。使用完全托管终结点来更快地部署用于批处理和实时预测的 ML 模型并对其进行评分。使用可重复管道自动完成用于持续集成和持续交付(CI/CD)的工作流。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。在整个生命周期中,通过对所有机器学习项目进行内置的跟踪和追溯,实现可审核性和治理。

提供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来评估模型公平性、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实施干预和策略,并在部署时生成记分卡。将记分卡导出到 PDF 以呈现负责任 AI 指标的上下文,并将其与技术和非技术受众共享,以涉及利益干系人并简化合规性评审。

在更加安全和合规的混合平台上进行创新

利用囊括标识、身份验证、数据、网络、监视、治理和合规性的综合功能,提高整个机器学习生命周期的安全性。使用基于自定义角色的访问控制、虚拟网络、数据加密、专用终结点和端到端专用 IP 地址,构建更安全的 ML 解决方案。在本地训练和部署模型,以满足数据主权要求。使用内置策略管理治理,并通过 60 项认证(包括 FedRAMP High 和 HIPAA)的综合产品组合优化合规性。

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。

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

使用 Azure Synapse Analytics,通过 PySpark 执行交互式数据准备。

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。

负责任的机器学习

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。利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。通过差分隐私技术帮助保护数据。

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你的团队共享。

为注册表和审核日志建模

使用中心注册表来存储和跟踪数据、模型和元数据。使用审核日志自动捕获数据世系并调控数据。

Git 和 GitHub

使用 Git 集成跟踪工作和 GitHub Actions 支持以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

使用托管计算来分发训练并快速测试、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 Microsoft Power BI 和服务(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)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,都可以使用简单的机器学习代理更安全地开始训练模型。

企业级安全

使用网络隔离和端到端专用 IP 功能、资源和操作基于角色的访问控制、自定义角色以及计算资源的托管标识,更安全地构建和部署模型。

成本管理

通过工作区和资源级别配额限制和自动关闭,降低 IT 成本并更好地管理计算实例的资源分配。

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方法。大规模快速构建、测试和管理可付诸生产的机器学习生命周期。

Forrester WaveTM 2020 报告

了解为何 Forrester 在“Forrester WaveTM: 基于笔记本的预测分析和机器学习,2020 年第 3 季度”中将 Azure 机器学习评为“领导者”。

Forrester 总体经济影响TM (TEI)研究

由 Microsoft 委托进行的 Forrester Consulting 总体经济影响TM (TEI)研究分析了企业可能通过 Azure 机器学习实现的潜在投资回报(ROI)。

机器学习解决方案白皮书

了解如何构建安全、可缩放且公平的解决方案。

负责任 AI 白皮书

了解用于理解、保护和控制模型的工具和方法。

机器学习操作(MLOps)白皮书

加快大规模构建、训练和部署模型的过程。

内置的全面的安全性和符合性

如何使用 Azure 机器学习

进入工作室 Web 体验

构建和定型

部署和管理

步骤 1(共 1 步)

创作新模型,并将计算目标、模型、部署、指标和运行历史记录存储在云中。

步骤 1(共 1 步)

使用自动化机器学习功能识别算法和超参数,并在云中跟踪试验。使用笔记本或拖放设计器来创作模型。

步骤 1(共 1 步)

将机器学习模型部署到云端或边缘,监视性能并根据需要重新训练。

仅对所需资源付费,无前期成本

开始使用 Azure 免费帐户

开始免费使用。获取可在 30 天内使用的 $200 额度。如果拥有额度,则可获得许多我们最常用服务的免费使用量,以及 40 多项始终免费的其他服务免费使用量。

额度用尽后,转到“即用即付”以继续使用相同的免费服务进行构建。仅在使用超过每月免费金额时才需要支付费用。

12 个月后,你将继续获得 40 多项始终免费的服务 - 并且仍仅支付超出每月免费金额的使用费用。

客户使用 Azure 机器学习

"We make it our mission to try new ideas and go beyond to differentiate AXA UK from other insurers. We see managed endpoints in Azure Machine Learning as a key enabler for our digital ambition."

Nic Bourven,AXA UK 首席信息官
AXA UK

"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."

Bikram Virk,FedEx 的 AI 和机器学习部门的产品经理
FedEx

"The end-to-end pipeline (built with Azure Machine Learning) has all the features needed to develop and maintain machine learning models throughout their lifecycles."

Dr.Deepa Kasinathan,Robotron Datenbank-Software GmbH 产品经理兼组长
BMW Group

"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."

Ignasi Paredes-Oliva,雀巢全球安全运营中心首席数据科学家
Nestle Italia

"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."

Michael Cleavinger,PepsiCo 购物者见解、数据科学和高级分析高级总监
PepsiCo

方便铁路乘客

DB Systel 是德国铁路公司 Deutsche Bahn 的合作伙伴,它开发了“数字导盲犬”解决方案来帮助乘客。借助 Azure 机器学习,只需几个小时便可使用神经网络训练一个新模型。

DB Systel GmbH

Azure 机器学习更新、博客和公告

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。
  • Azure 机器学习的服务级别协议(SLA)为 99.9% 运行时间。
  • 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。

你随时可以开始设置 Azure 免费帐户

免费试用机器学习

即用即付定价入门

可以给你提供什么帮助?