简化了从本地到边缘的生产环境中数千个模型的部署和管理
用于批处理和实时预测,以更快地部署和对模型评分的完全托管终结点
用于自动执行机器学习工作流以实现持续集成/持续交付(CI/CD)的可重复管道
持续监视模型性能指标、检测数据偏移,并触发重新训练以改进模型性能
快速交付创新
MLOps(机器学习运营或用于机器学习的 DevOps)是人员、流程和平台的交集,用于从机器学习中获取业务价值。它通过监视、验证和治理机器学习模型来简化开发和部署。
构建机器学习工作流和模型
使用数据集和丰富的模型注册表跟踪资产。通过跟踪运行历史记录中的代码、数据和指标,从而实现增强的可跟踪性。构建机器学习管道以设计、部署并管理可重现的模型工作流,从而实现一致的模型交付。
在任何地方轻松部署高度准确的模型
自信地快速部署。使用托管联机终结点跨功能强大的 CPU 和 GPU 计算机部署模型,而无需管理底层基础结构。使用模型分析和验证工具快速打包模型并确保每个步骤的高质量。使用受控推出将模型推广到生产中。
高效管理整个机器学习生命周期
通过 Azure DevOps 和 GitHub Actions 利用内置的可操作性,从而无缝管理和自动执行工作流。优化模型训练和部署管道、为 CI/CD 生成内容,以促进重新训练,并使机器学习轻松适应现有发布流程。使用高级数据偏移分析以随时间的推移改进模型性能。
跨资产实现治理
跟踪模型版本历史记录和世系以实现可审核性。设置资源的计算配额,并应用策略以确保遵守安全性、隐私和合规性标准。使用高级功能来满足治理和控制目标,并提高模型的透明度和公平性。
从与 MLflow 的互操作性中获益
使用 MLflow 和 Azure 机器学习以构建灵活、更安全的端到端机器学习工作流。将现有工作负载从本地执行无缝缩放到智能云和边缘。将 MLflow 试验、运行指标、参数和模型项目存储在集中式 Azure 机器学习工作区中。
跨工作区加速协作式 MLOps
通过注册表促进跨工作区协作和 MLOps。在中心位置托管机器学习资产,使其可供组织中的所有工作区使用。跨团队推广、共享和发现模型、环境、组件和数据集。重用管道并部署团队在其他工作区中创建的模型,同时保持世系和可跟踪性不变。
资源中心
查看机器学习运营实际操作
内置的全面的安全性和符合性
-
Microsoft 每年在网络安全研发方面的投资超过 USD 10 亿美元。
-
我们雇佣了超过 3,500 名安全专家专门负责数据安全和隐私。
-
Azure 拥有比任何其他云提供商都多的认证。查看完整列表。
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,则可获取多项最热门服务的免费使用量,以及 40 多项始终免费的其他服务的免费使用量。
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。
了解客户如何通过机器学习运营实现价值
FedEx
Bikram Virk,FedEx 的 AI 和机器学习部门的产品经理"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."
BRF
Alexandre Biazin,BRF 技术执行经理"We're scaling with automated machine learning in Azure and MLOps capabilities in Azure Machine Learning so that our 15 analysts can focus on more strategic tasks instead of the mechanics of merging spreadsheets and running analyses."
Nestle
Ignasi Paredes-Oliva,雀巢全球安全运营中心首席数据科学家"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."
PepsiCo
Michael Cleavinger,PepsiCo 购物者见解、数据科学和高级分析高级总监"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."