大規模地建置業務關鍵性的機器學習模型
Azure Machine Learning 協助資料科學家和開發人員,更快速且自信地建置、部署和管理高品質模型。利用領先業界的機器學習作業 (MLOps)、開放原始碼互通性和整合式工具,它可縮短實現價值的時間。此信賴平台專為機器學習中的負責任 AI 應用程式設計。
快速模型開發和定型,以及整合工具和支援可調整的專用 AI 基礎結構。
負責任 AI 模型開發,具有內建的公平性和可解釋性,以及符合合規性的負責任使用方式
針對跨工作區共同作業和 MLOps 的快速 ML 模型部署、管理和共用
內建的治理、安全性及合規性,可隨處執行機器學習工作負載
端對端機器學習生命週期的支援
資料標記
標記定型資料和管理標記專案。
資料準備
與分析引擎搭配使用,進行資料探索和準備。
資料集
存取資料,以及建立和共用資料集。
Notebooks
使用共同作業 Jupyter Notebook 搭配附加的計算。
自動化機器學習
自動定型和調整精確的模型。
拖放式設計工具
使用拖放式開發介面設計。
實驗
執行實驗,以及建立和共用自訂儀表板。
CLI 和 Python SDK
加速模型定型程序,同時就 Azure 計算向上和向外擴增。
Visual Studio Code 和 GitHub
使用熟悉的工具,並輕鬆地從本機定型切換至雲端定型。
計算執行個體
在受控且安全的環境中,使用動態可調整的 CPU、GPU 和超級運算叢集進行開發。
開放原始碼程式庫和架構
取得 Scikit-learn、PyTorch、TensorFlow、Keras、Ray RLLib 等的內建支援。
受控端點
快速且輕鬆地部署批次和即時推斷的模型。
管線和 CI/CD
將機器學習工作流程自動化。
預先建置映像
使用架構和程式庫存取容器映像進行推斷。
模型存放庫
共用和追蹤模型和資料。
混合式和多重雲端
在內部部署和跨多雲端環境定型和部署模型。
最佳化模型
使用 ONNX 執行階段加速定型和推斷並降低成本。
監視和分析
追蹤、記錄和分析資料、模型和資源。
資料漂移
偵測漂移並維持模型正確性。
錯誤分析
偵錯模型並最佳化模型正確性。
稽核
追蹤機器學習成品以獲得合規性。
原則
使用內建和自訂原則以進行合規性管理。
安全性
使用 Azure 資訊安全中心享有持續監視。
成本控制
套用配額管理和自動關機。
Azure Machine Learning 深度學習
受控的端對端平台
使用原生 MLOps 功能簡化整個深度學習生命週期和管理模型。使用企業級安全性,隨時隨地安全地執行機器學習。使用負責任 AI 儀表板,減少模型偏差並評估模型。
任何開發工具和架構
使用您最喜歡的 IDE (從 Visual Studio Code 到 Jupyter Notebooks) 建置深度學習模型,並在您選擇的架構內使用 PyTorch 和 TensorFlow。Azure Machine Learning 與 ONNX Runtime 和 DeepSpeed 整合,以最佳化您的定型和推斷。
世界級的效能
運用專用 AI 基礎結構專為結合最新的 NVIDIA GPU 和 Mellanox Networking 而設計,最高 200GB/s InfiniBand 互連。以前所未有的規模,在單一叢集中向上擴充至數千個 GPU。
使用快速模型開發,縮短實現價值時間
使用工作室功能 (這是一項支援所有機器學習工作的開發體驗) 來建立、定型和部署模型,以提高生產力。使用熱門開放原始碼架構與程式庫的內建支援,與 Jupyter Notebook 共同作業。使用特徵工程和超參數清除,針對表格式、文字和影像模型使用自動化機器學習,快速建立精確的模型。使用 Visual Studio Code 從本機無縫接軌到雲端進行定型,加上 NVIDIA Quantum InfiniBand 網路支援的功能強大的雲端運算 CPU 和 GPU 叢集自動調整規模。
利用 MLOps 大規模運作
使用 MLOps 簡化在多個環境中數千個模型的部署和管理。使用完全受控的端點更快地部署模型並加以評分,以取得批次和即時預測。使用可重複的管線,以將持續整合與持續傳遞 (CI/CD) 的工作流程自動化。跨多個小組共用和探索機器學習成品,以使用登錄跨工作區共同作業。持續監視模型效能計量、偵測資料漂移,以及觸發重新定型,以改善模型效能。
提供可靠的機器學習解決方案
使用可重現和自動化的工作流程評估機器學習模型,以評估模型公平性、解釋性、錯誤分析、原因分析、模型效能及探勘資料分析。使用負責任 AI 儀表板中的原因分析進行現實生活中的操作,並在部署時產生計分卡。將用於技術和非技術對象的負責任 AI 計量情境化,讓專案關係人參與並簡化合規性審查。
在更安全並符合規範的混合式平台上創新
使用涵蓋身分識別、資料、網路、監視和合規性的完善功能,提升整個機器學習生命週期的安全性。使用自訂的角色型存取控制、虛擬網路、資料加密、私人端點和私人 IP 位址,來保護解決方案。於內部部署定型和部署模型,以符合資料主權的要求。使用內建原則來治理,並使用 60 項認證 (包括 FedRAMP High 和 HIPAA) 簡化合規性。
利用 Azure 打造您的機器學習技能
在此 30 天學習旅程中,深入了解 Azure 上的機器學習,並參與實作教學課程。最後,您就有能力考取 Azure Data Scientist Associate 認證。
完整機器學習生命週期的重要服務功能
-
資料標記
利用輔以機器學習的標記功能,建立、管理及監視標記專案,並自動執行反覆的工作。
-
資料準備
快速逐一查看 Azure Machine Learning 內 Apache Spark 叢集上的大規模資料準備,可與 Azure Synapse Analytics 交互操作。
-
共同作業筆記本
使用 IntelliSense、簡單的計算與核心切換,以及離線筆記本編輯,發揮最大生產力。在 Visual Studio Code 中啟動筆記本,享受豐富的開發體驗,包括安全偵錯和支援 Git 原始檔控制。
-
自動化機器學習
快速建立用於分類、迴歸、時間序列預測、自然語言處理工作及電腦視覺工作等準確的模型。使用模型可解釋性來了解模型如何建立。
-
拖放式機器學習
利用設計工具等機器學習工具,進行資料轉換、模型定型和評估,或輕鬆建立及發佈機器學習管線。
-
增強式學習
將加強學習擴展到功能強大的計算叢集,並能支援多重代理程式案例,以及存取開放原始碼的加強學習演算法、架構和環境。
-
負責任的建置
使用可解釋性功能,取得定型和推斷的模型透明度。透過差異計量來評估模型的公平性,並緩解不公平性。使用錯誤分析工具組改善模型的可靠性,並找出和診斷模型錯誤。利用不同的隱私權協助保護資料。
-
測試
管理和監視執行,或比較定型和測試的多個執行。建立自訂儀表板,並將其與您的小組共用。
-
登錄
使用全組織的存放庫,跨多個工作區儲存和共用模型、管線、元件和資料集。使用稽核線索功能自動擷取譜系和治理資料。
-
Git 和 GitHub
使用 Git 整合來追蹤工作,以及 GitHub Actions 支援以實作機器學習工作流程。
-
受控端點
使用受控端點來操作模型部署和評分、記錄計量,以及執行安全模型推出。
-
自動調整計算
使用專用 AI 超級電腦來散發深度學習定型,並快速測試、驗證和部署模型。在工作區中共用 CPU 和 GPU 叢集,並自動調整以符合您的機器學習需求。
-
與其他 Azure 服務的互通性
利用 Microsoft Power BI 和服務 (例如 Azure Synapse Analytics、Azure 認知搜尋、Azure Data Factory、Azure Data Lake、Azure Arc、Azure 資訊安全中心和 Azure Databricks) 提高生產力。
-
混合式和多重雲端支援
在內部部署的現有 Kubernetes 叢集上、多重雲端環境中,以及具有 Azure Arc 的邊緣執行機器學習。不論資料位於何處,使用簡易的機器學習代理程式,即可開始更安全定型模型。
-
企業級安全性
使用網路隔離和端對端私人 IP 功能、資源和動作的角色型存取控制、自訂角色,以及計算資源的受控識別等功能,安全地建置和部署模型。
-
成本管理
利用工作區和資源層級的配額限制與自動關機,降低 IT 並更妥善地管理計算執行個體的資源配置。
內建全方位安全性與合規性
-
Microsoft 每年斥資超過 10 億美元進行網路安全性方面的研究與開發。
-
我們聘請了超過 3,500 名資訊安全專家專門保護資料安全性和隱私權。
-
Azure 獲得的認證遠多於其他任何雲端提供者。檢視完整清單。
-
用多少付多少,無需預付款
開始使用 Azure 免費帳戶
2
在點數用盡後,請轉為隨用隨付以繼續利用相同的免費服務進行建置。只有當您使用超過每月免費數量時,才需支付費用。
3
在雲端撰寫新模型,並儲存您的計算目標、模型、部署、計量及執行歷程記錄。
使用自動化機器學習識別演算法與超參數,並在雲端追蹤實驗。使用筆記本或拖放式設計工具來撰寫模型。
將您的機器學習模型部署到雲端或邊緣,監視其效能並於必要時重新定型。
使用 Azure Machine Learning 的客戶
"我們的任務就是嘗試新的想法,並無限發展,以讓 AXA UK 較其他保險公司有鑑別度。我們將 Azure Machine Learning 中的受控端點視為數位抱負的重要啟用器。"
AXA UK 資訊安全長 Nic Bourven
"客戶預期能夠獲得其套件及時且準確的資訊,以及以資料為基礎的傳遞體驗。我們正在協助 FedEx 使用 Azure Machine Learning 來保持領先優勢,並為未來的專案建立專業知識。"
FedEx AI 與機器學習產品經理 Bikram Virk
"由於我們有更多群組依賴 Azure Machine Learning 解決方案,我們的財務專家便可以更專注於較高層級的工作,並耗費較少時間在手動資料收集和輸入上。"
3M 資料科學經理 Jeff Neilson
i
"運用 Azure Machine Learning,我們可以向病患展示針對其個人情況高度量身訂做的風險分數。…我們的最終目標是降低風險、降低不確定性,並改善外科成果。"
Northumbria Healthcare NHS Foundation Trust,Trauma & Orthopedics,臨床主任 Mike Reed 教授
1
"我們已使用 Azure Machine Learning 中的 MLOps 功能來簡化整個機器學習程序。這可讓我們更專注於資料科學,並讓 Azure Machine Learning 處理端對端運算化。"
PepsiCo 購物者見解、資料科學和進階分析的資深主管 Michael Cleavinger
.
"使用 Azure Machine Learning 的自動化機器學習功能來建立機器學習模型,可讓我們實現一個環境,在其中我們可以從多個角度建立和實驗各種模型。"
Seven Bank 公司轉型部門 Keiichi Sawada
Azure Machine Learning 資源
精通 Azure Machine Learning 指南
學習專家技術,以使用 TensorFlow、Spark 與 Kubernetes,在 Azure 中建置自動化、調整彈性大的全端機器學習模型和管線。
Engineering MLOps 白皮書
探索使用 MLOps 建置、部署和監視機器學習解決方案的系統化方法。大規模快速建置、測試及管理生產就緒的機器學習生命週期。
Forrester Total Economic ImpactTM (TEI) 研究
由 Microsoft 委託進行的 Forrester Consulting Total Economic Impact™ (TEI) 研究,調查了企業可能使用 Azure Machine Learning 獲得的潛在投資報酬率 (ROI)。
機器學習解決方案白皮書
了解如何建置安全、可調整且可靠的解決方案。
負責任 AI 白皮書
學習有關了解、保護及控制模型的工具和方法。
機器學習作業 (MLOps) 白皮書
加快大規模建置、定型和部署機器學習模型流程的速度。
已啟用 Azure Arc 的 Machine Learning 白皮書
了解如何在任何基礎結構中建置、定型和部署模型。
Azure Machine Learning 的常見問題集
-
這個服務已在數個國家/地區 正式運作 ,日後還會陸續增加。
-
Azure Machine Learning 的服務等級協定 (SLA) 為 99.9% 的運作時間。
-
Azure Machine Learning 工作室是機器學習的最上層資源。此功能會提供一個集中的位置,讓資料科學家和開發人員利用此處的所有成品,建置、定型和部署機器學習模型。