共同作業並簡化 MLOps
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。
放心開發
內建控管、安全性與合規性,可隨處執行機器學習工作負載。
負責的設計
負責任 AI 會使用資料導向決策來建置可解釋的模型,以獲得透明度與責任。
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 AI 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
使用熟悉的機器學習工具,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 AI 學習模型。
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
共用和追蹤機器學習模型和資料。
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 Runtime 加速定型和推斷並降低成本。
登錄
在組織中跨小組共用和探索模型和管線。
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 AI 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 生成式 AI
AI 工作流程協調
使用提示流程簡化大型語言模型應用程式的設計、評估和部署。 輕鬆追蹤、重現、視覺化,並改善各種工具和資源的提示和流程,深入了解 Machine Learning 生成式 AI。
受控端對端平台
使用原生 MLOps 功能簡化整個大型語言模型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。
彈性的工具和架構
使用彈性架構 (例如 PyTorch 或 TensorFlow),在 Visual Studio Code 和 Jupyter Notebooks 等工具中建立深度學習模型。Azure Machine Learning 與 ONNX Runtime 和 DeepSpeed 相容,以最佳化定型和推斷。
世界級的效能
使用專為設計來結合最新 NVIDIA GPU 和 InfiniBand 網路解決方案 (最高 400 Gbps) 的 AI 基礎結構。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,加速實現價值的時間
使用統一的工作室體驗提高生產力。使用開放原始碼架構與程式庫的內建支援,運用 Jupyter Notebook 建置、定型和部署模型。針對表格式、文字和影像資料使用自動化機器學習,快速建立模型。使用 Visual Studio Code,順暢地從本機定型切換至雲端定型,並使用 NVIDIA Quantum-2 InfiniBand 平台提供的 Azure AI 基礎結構自動調整規模。以提示流程設計、比較、評估及部署大型語言模型型應用程式的提示。
使用 MLOps 共同作業並簡化模型管理
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 ML 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,以使用登錄和受控功能存放區跨工作區共同作業。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。
在混合式平台上建置企業級解決方案
使用 Microsoft Purview 中的內建資料控管,在整個機器學習生命週期實踐安全性優先。運用經過 Microsoft 測試及驗證、涵蓋身分識別、資料、網路、監視和合規性的全方位安全性功能。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。隨時隨地定型和部署模型 (從內部部署到多雲端),以符合資料主權的要求。使用內建原則和具有 60 項認證 (包括 FedRAMP High 和 HIPAA) 的合規性自信地控管。
在整個生命週期使用負責任 AI 做法
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。
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 Databricks 交互操作。
-
功能存放區
透過 受管理的功能存放區,讓功能可跨多個工作區中探索且可重複使用,以提高模型出貨的靈活度。
-
共同作業筆記本
在 Jupyter Notebook 或 Visual Studio Code 中啟動筆記本,享受豐富的開發體驗,包括偵錯和支援 Git 原始檔控制。
-
自動化機器學習
使用自動化機器學習,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。
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。
-
用多少付多少,無需預付款
透過 Azure 免費帳戶開始使用
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
Azure Machine Learning 資源
IDC MarketScape:MLOps 2022 廠商評估
了解各個產業的企業組織如何使用 MLOps 來克服實作 AI 和機器學習技術的挑戰。
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 Impact 研究
由 Microsoft 委託進行的 Forrester Consulting Total Economic ImpactTM 研究,調查了企業可能使用 Azure Machine Learning 獲得的潛在投資報酬率。
機器學習解決方案白皮書
了解如何建置更安全、可縮放且合理的機器學習解決方案。
負責任 AI 白皮書
了解如何建置更安全、可縮放且合理的機器學習解決方案。
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。