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
构建用于设计、部署和管理模型工作流的机器学习管道
构建用于设计、部署和管理模型工作流的机器学习管道
正在自动执行机器学习管道
Sam 是一家在线时装零售商的数据科学家。该公司最近开始使用机器学习来提供及时、准确的建议，从而提高客户满意度和销量。
在目录更新后，Sam 被要求更新品牌建议模型，但没人知道当前模型的来源。因此，他转向 Azure 机器学习来帮助生成可重现且可跟踪的工作流。
Sam 是一家线上零售商的数据科学家，负责在最近的目录更新后更新他们的推荐模型。Sam 正在寻找模型管道，但没有人知道模型的来源。
他借助 Azure ML 来构建一个可跟踪的模型工作流。
将 Azure 机器学习与现有工具结合使用
Sam 使用 Azure 机器学习 SDK 将他基于 Jupyter Notebook 的工作移动到 Azure 机器学习中，从而利用其缩放和协作功能。使用选择的框架，他创建了自己的训练代码和数据集的版本，并将它们链接到可跟踪试验中。
从每次试验运行中捕获指标
每次 Sam 执行运行时，Azure 机器学习都会跟踪并记录其指标以供审阅。这会捕获输入(例如数据集、代码和参数)和输出(例如日志、指标和模型)以进行评估和比较。
查看工作区中的模型和试验
当 Sam 继续在笔记本环境中工作时，他的团队使用Azure 机器学习工作室，通过每个用于创建模型注册表的资产和步骤，轻松从模型注册表中的最终模型进行追溯。
创建可重用管道以提高效率和一致性
Sam 创建了可重用的机器学习管道，从而交付模型训练工作流，并在源数据发生更改时自动触发该工作流。如果需要，他可以重复使用步骤结果，无需更改输入。
构建可重复的机器学习管道
Sam 使用 Azure 机器学习构建了可重现且可跟踪的工作流。团队生成的每个模型现在都绑定到试验运行，从而进行审阅和迭代。通过可重现的管道，Sam 允许 Azure 机器学习自动执行重新训练，而他则专注于下一件大事。
Azure 机器学习有助于通过可重现性和可跟踪性构建企业级机器学习管道。这样可以实现更一致的模型交付、降低可变性并提高容错。
通过利用 Azure ML，Sam 构建了一个可重复和可跟踪的工作流。团队构建的每个模型现在都绑定到试验运行，从而使团队能够查看和循环访问。使用可重复的管道，Sam 可以让 Azure ML 自动重新训练，而让自己重点关注下一个重大事务。
Azure ML 通过可重复性和可跟踪性帮助你构建企业级的机器学习管道。这使得模型交付更加一致，可变性更小，容错性更强。
使用自动缩放和托管的分布式推理群集，自信地快速部署
使用自动缩放和托管的分布式推理群集，自信地快速部署
正在为模型部署 Web 服务终结点
Sam 是一家在线时装零售商的数据科学家，他将 Azure 机器学习添加到他的工作流中，从而生成了更好的模型。他的自动化管道刚刚完成了最终模型的搭建，附加的实验性结果展现出了性能的提高。
他们的 Web 开发团队不确定如何在 Web 应用中嵌入机器学习模型，所以转而要求 Web 服务方面的帮助。因此，Sam 找到了 Azure 机器学习来帮助将 Web 服务终结点添加到他的模型中。
Sam 是一家在线零售商的数据科学家，他使用 Azure ML 创建和注册了一个模型。现在，他的 Web 开发团队要求他提供一个 Web 终结点来调用他的模型进行推理。Sam 使用 Azure ML 创建了此 Web 服务终结点。
获取最新模型并对其进行配置以用于生产
Sam 从注册表提取了最新模型并对其进行分析，从而查看该模型在生产中可能需要的资源类型。
将模型推送到 Azure 容器实例
掌握分析数据后，Sam 使用 Azure 机器学习将模型打包到容器中，并将其部署到 Azure 容器实例，从而进行实时或批量推理。部署后，他利用了 Azure 机器学习中的自动架构生成和监视功能。
部署到可缩放的多样化终结点并实现 A/B 测试
只需几行代码，Sam 就将同一模型推送到更具可伸缩性的 Azure Kubernetes 服务(AKS)实例中，并训练了高级 A/B 测试功能，从而进行新的模型验证。他现在可以使用计算选项(包括 CPU、GPU 和 FPGA)在任何需要的地方部署模型(从云到边缘)。
使 Web 开发团队能够使用部署的模型
将模型部署到 AKS 实例后，Web 开发团队会访问 Web 服务终结点，从而从其应用程序进行调用以满足实时或批量推理需求。Sam 会监视模型终结点，从而获取可根据需要审核的数据偏移和其他指标。
在需要的地方发布模型
Sam 将他的开源模型转变为生产就绪型 Web 服务，以供开发团队使用。他一直专注于模型开发，而不是学习服务托管所需的多项技术，包括 Kubernetes、Flask 和 Swagger。
Azure 机器学习有助于将模型无缝转换为成熟且功能齐全的 Web 服务，并使这些服务在应用程序中被快速采用。
Sam 借助 Azure ML 将他的开源模型迅速转化为了可供开发团队使用的、生产就绪的 Web 服务。作为数据科学家，他能够专注于模型开发，而不必提升服务托管所需的许多技术(包括 Kubernetes、Flask 和/或 Swagger)相关的技能。
Azure ML 可帮助数据科学家将他们的模型无缝转换为成熟且功能完备的 Web 服务，使这些服务能够在应用程序中被快速采用。
与 Azure DevOps 和 GitHub Actions 互操作以自动执行机器学习工作流
与 Azure DevOps 和 GitHub Actions 互操作以自动执行机器学习工作流
与 DevOps 工作流集成
Sam 是一家在线时装零售商的数据科学家，他使用 Azure 机器学习生成并部署了自己的模型。最近，他将他的模型发布到了 Azure Kubernetes 服务(AKS)的生产实例中，Web 团队已将该模型集成到 Web 应用中，取得了较好的结果。
运营团队的 Rebecca 希望确保模型生成和部署是 DevOps 工作流的一部分。Sam 不确定如何合并，因此他向 Rebecca 培训了有关 Azure 机器学习的知识，并与她一同确定如何同时满足他们两人的要求。
最近，数据科学家 Sam 使用了 Azure ML 来生成和部署模型。他刚刚向其生产 AKS 实例发布了一个模型。Rebecca 希望将此模型与 DevOps 工作流集成。Sam 只需将它与 DevOps 工作流集成即可。Sam 指给她看 Azure ML。
使用 Azure Pipelines 创建新的发布管道
Rebecca 在 Azure Pipelines 中创建了管道以自动执行部署流程。管道的第一步完成了生成具有所有依赖项的模型、检查错误等任务。为了自动触发此管道，Rebecca 将其连接到 Azure 机器学习模型注册表中，从而确保每当注册新模型或模型的新版本时都会启动该管道。
发布用于验证的模型
Rebecca 添加了一项任务，以在模型投入生产前将其发布到 Azure 容器实例中以进行验证。她使用 Azure CLI 与 Azure 机器学习进行交互。这允许她访问工具中的功能，这些功能与 Sam 在笔记本中拥有的功能相同。此步骤模拟他们应用的 DevOps 流程中的集成测试。
验证时将模型移动到生产中
Rebecca 添加了发布管道任务，从而使用 AKS 将模型部署到生产中。在激活此任务之前，Rebecca 配置了入口，要求主管或经理在继续之前进行评估和批准。如果已编写脚本的验证中未发现问题，则这可确保管道不会造成重大中断。
设置数据偏移检测以触发重新训练
因为 Rebecca 设置了用于部署模型的自动化管道，所以 Sam 使用 Azure 机器学习启用数据偏移监视。通过监视服务使用情况，他可以看到生产中的推理请求是否开始偏离训练数据集。如果偏离，即表示需要重新训练。
监视服务的稳定性和性能
Rebecca 使用 Azure Monitor 的功能 - Application Insights 以监视服务操作，例如请求数量、AKS 群集上的负载以及响应延迟，而 Sam 则监视模型性能以确定是否要进行优化。
创建简化的模型工作流
Rebecca 将 Azure 机器学习合并到了从发布自动化到生产监视的 DevOps 工作流中。Rebecca 专注于服务运营，而 Sam 则监视并管理模型性能并根据需要进行优化。
Azure 机器学习有助于提升组织 DevOps 流程中的数据科学，从而实现更可靠、更强劲的机器学习项目。
Azure ML 已无缝集成到 Rebecca 的现有 DevOps 工作流中，包括通过生产监视进行的发布自动化，与现有工具(如 Azure DevOps 和 Azure 应用 Insights)的本机集成。在 Rebecca 关注服务操作的同时，Azure ML 为 Sam 提供了监视和管理模型性能的工具，并会根据需要进行优化。
Azure ML 可帮助数据科学成为组织现有的 DevOps 流程中的一等公民，从而实现更可靠、更强劲的机器学习项目。
跨机器学习项目改进治理和成本管理
跨机器学习项目改进治理和成本管理
正在启用机器学习模型治理
Phil 是一家在线时装零售商的 IT 经理，他热衷于分析数据科学和运营团队使用 Azure 机器学习完成的工作。
虽然 Phil 负责公司的 IT 基础架构，但他不确定生产中的内容、具有访问权限的人员或成本。因此，他决定使用 Azure 机器学习帮助他履行治理职责。
Phil 是一家在线零售商的 IT 经理，他对 Sam 和 Rebecca 的工作感到非常兴奋。但 Phil 负责 IT 基础结构，并不知道如何确保围绕机器学习项目进行治理。他正在查看 Azure ML 以获取帮助。
查看生产中的模型
Phil 使用 Azure 机器学习以审核生产终结点。他可以导航回基础模型和试验，以及模型解释和公平性分析的输出结果。这可确保他跟踪模型创建流程中的每个步骤，并为任何偏差启用模型审核。
查看审核日志以获取详细的模型历史记录
Phil 会访问 Azure 机器学习审核日志。它们通过跟踪每项操作(日期、时间和用户)的详细日志来补充模型和试验中发现的可跟踪性。这些日志可帮助 Phil 跟踪该服务内或由该服务发起的操作，从而实现组织范围内的问责制。
使用 Azure 身份和访问管理保护工作区
Phil 使用 Azure 身份和访问管理解决方案以管理对Azure 机器学习工作区的访问权限。他使用内置角色和自定义角色以限制用户可以执行的任务并控制对资源的访问权限。
确保对 Azure 资源负责
Phil 使用配额功能以配置资源限制和共享。这可帮助他管理支出、控制成本，并确保跨团队公平分配资源。这还可鼓励各个项目团队承担责任。
实现模型治理和合规性
Phil 现在可以通过审核、基于角色的访问控制以及配额管理来查看生产中的内容，并确保组织合规性。他对 Azure 机器学习赞赏有加，它不仅向数据科学和运营团队提供了支持，还提供他需要的企业级治理功能。
Azure 机器学习提供了必要的组织控制，使机器学习项目取得成功且更安全。
Phil 很感激 Azure ML 不仅支持数据科学和操作团队，而且还提供了企业级的管理功能，他需要这些功能来履行自己的职责。他可以确切地看到生产中的内容，并通过审核、基于角色的访问控制和配额管理来确保组织的合规性。
Azure ML 提供了使机器学习项目成功和安全所必需的组织控制。
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."
