略過導覽

Azure Machine Learning

Enterprise-grade machine learning service to build and deploy models faster

大規模地建置業務關鍵性的機器學習模型

協助資料科學家和開發人員,更快成功地建置、部署和管理高品質模型。利用領先業界的 MLOps (機器學習作業)、開放原始碼互通性和整合式工具,縮短實現價值的時間。在安全、值得信賴,專為可靠的機器學習 (ML) 而設計的平台上進行創新。

快速建置及訓練模型

利用 Studio 開發體驗存取整合式工具,以及使用開放原始碼架構和程式庫的最佳支援。

大規模地執行作業

只要按一下滑鼠按鈕,就能部署模型,以及使用 MLOps 更有效率地管理及治理這些模型。

提供可靠的解決方案

了解並保護資料與模型、建置公平的模型,及改善模型的品質。

在更安全的混合平台上進行創新

有了內建的治理、安全性及合規性,隨處都能執行機器學習工作負載。

ML 專案的 ROI 高達 3 倍

訓練模型的步驟減少了 70%

管線的程式碼行數減少了 90%

60 項合規性認證

唯一搭載 PyTorch Enterprise 的平台

Support for the end-to-end machine learning (ML) lifecycle

Data labeling

Label training data and manage labeling projects.

Data preparation

Integrate with analytics engines for data exploration and preparation.

Datasets

Access data and create and share datasets.

Notebooks

Use collaborative Jupyter notebooks with attached compute.

Automated ML

Automatically train and tune accurate models.

Drag-and-drop designer

Design with drag-and-drop development interface.

Experiments

Run experiments and create and share custom dashboards.

Visual Studio Code and GitHub

Use familiar tools and switch easily from local to cloud training.

Compute instance

Develop in a managed and secure environment with cloud CPUs, GPUs, and supercomputing clusters.

Open-source libraries and frameworks

Get built-in support for Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib, and more.

Managed endpoints

Utilize one-click deployment for batch and real-time inference.

Pipelines and CI/CD

Automate machine learning workflows.

Pre-built images

Access container images with frameworks and libraries for inference.

Model repository

Share and track models and data.

Hybrid and multicloud

Train and deploy models on-premises and across multicloud.

Optimize models

Accelerate training and inference and lower costs with ONNX Runtime.

Monitor and analyze

Track, log, and analyze data, models, and resources.

Data drift

Detect drift and maintain model accuracy.

Error analysis

Debug models and optimize model accuracy.

Audit

Trace ML artifacts for compliance.

Policies

Leverage built-in and custom policies for compliance management.

Security

Enjoy continuous monitoring with Azure Security Center.

Control costs

Apply quota management and automatic shutdown.

快速開發出精確的模型,可以縮短實現價值的時間

利用 Studio 提高生產力。Studio 支援所有建置、訓練及部署模型的 ML 工作開發體驗。使用熱門開放原始碼架構與程式庫的內建支援,與 Jupyter 筆記本共同作業。利用自動化 ML、特徵工程與超參數整理功能建立精確的模型。使用偵錯工具、分析工具和說明,在您訓練時協助改善模型效能。使用深度 Visual Studio Code 整合,從本機無縫接軌到雲端進行訓練,加上功能強大的雲端運算 CPU 和 GPU 叢集自動調整規模。

使用機器學習作業 (MLOps) 大規模執行作業

利用 MLOps,加快在內部部署、邊緣和多重雲端環境中,部署及管理數千個模型的速度。完全受控的端點可協助您更快地部署模型並加以評分,以進行批次和即時的預測。使用可重複的管線,自動執行持續整合與持續傳遞 (CI/CD) 的工作流程。持續監視模型效能計量、偵測資料漂移,以及觸發重新訓練,以改善模型效能。整個生命週期中都能使用所有 ML 成品現成可用的追蹤及歷程,進行稽核和管理。

提供可靠的機器學習解決方案

存取領先業界的可靠的 AI 功能,增加模型的透明度與可靠度。利用現成可用的視覺效果來了解模型,並利用模擬分析,判斷功能對預測的影響。將模型說明圖形提供給您的小組,以確保合規性。使用最先進的演算法測試模型的公平問題、比較不同的模型,以及採取措施來減輕這些問題。使用錯誤分析工具組找出及診斷模型的錯誤,藉此提高模型的準確性。

在更安全並符合規範的混合平台上進行創新

使用涵蓋身分識別、驗證、資料、網路、監視、治理與合規性等的綜合功能,提升整個 ML 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、私人端點和端對端私人 IP 位址,建立更安全的 ML 解決方案。於內部部署訓練及部署模型,以符合資料主權的要求。利用含括 60 項認證 (包括 FedRAMP High 和 HIPAA) 之完整組合的內建原則與有效的合規性管理治理。

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。完成整個課程之後,您具備 Azure Data Scientist Associate 認證的考試能力。

完整 ML 生命週期的主要服務功能

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

使用 Azure Synapse Analytics 的內建整合,在 PySpark 上執行互動資料準備。

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

快速建立準確的分類、迴歸和時間序列預測模型。使用模型可解釋性來了解模型如何建立。

拖放機器學習

利用設計工具等機器學習工具,進行資料轉換、模型訓練及評估,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。

可靠的機器學習

使用可解釋性功能,取得訓練和推斷的模型透明度。透過差異計量來評估模型的公平性,並降低不公正之處。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,或比較訓練和測試的多個執行。建立自訂儀表板,提供給您的小組共用。

模型登錄與稽核記錄

使用中央登錄來儲存和追蹤資料、模型和中繼資料。自動擷取稽核記錄的譜系和治理資料。

Git 和 GitHub

使用 Git 整合追蹤工作和 GitHub Actions 支援,以實施 ML 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,以及執行安全模式推出。

自動調整計算

使用受控計算來散發訓練,並快速地測試、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 服務的深度整合

利用內含的 Power BI 整合及服務 (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。

混合式與多重雲端支援

在內部部署、多重雲端環境,以及安裝有 Azure Arc 之邊緣上現有的 Kubernetes 叢集上執行機器學習。不論資料位於何處,使用一鍵機器學習代理程式,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、資源層級的配額限制和自動關機,協助 IT 降低計算執行個體的費用,以及更妥善地管理其資源配置。

用多少付多少,無需預付款

精通 Azure Machine Learning

掌握專業技術,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。

資料科學的原則

許多處理資料的人才已發展出數學、程式設計或領域專業中的一或兩項技能,但三項技能兼具者才適合涉足資料科學。這份完整的電子書有助於填補差距。

The Forrester WaveTM 2020

Forrester 在 Forrester Wave™:Notebook-based Predictive Analytics and Machine Learning, Q3 2020 (以筆記本為基礎的預測性分析和機器學習,2020 年第 3 季) 中,將 Microsoft 和 Azure Machine Learning 列為領導者。

ROI 範圍預計將高達 3 倍之多 - Forrester Total Economic Impact TM (TEI)

Forrester Total Economic Impact™ (TEI) 是 Forrester Consulting 受委託執行的一項研究,其提供的架構,可用於評估 Azure Machine Learning 對於組織可能造成的財務影響。

具備企業級規模白皮書的機器學習解決方案

協助組織利用 Azure Machine Learning,建置安全、具備擴充能力、公平的 ML 解決方案。

可靠的 AI 白皮書

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、訓練及部署機器學習模型流程的速度。

如何使用 Azure Machine Learning

前往您的 Studio 網路體驗

建置和定型

部署及管理

步驟 1 之 1

撰寫新的模型,並將您的計算目標、模型、部署、計量與執行歷程記錄儲存在雲端。

步驟 1 之 1

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。使用筆記本或拖放設計工具來撰寫模型。

步驟 1 之 1

將您的機器學習模型,部署到雲端或邊緣,並監視其效能,於必要時重新訓練。

立即開始使用 Azure Machine Learning

註冊 Azure 免費帳戶以立即存取並獲得 $200 的點數。

登入 Azure 入口網站

使用 Azure Machine Learning 的客戶

"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."

FedEx AI 與機器學習產品經理 Bikram Virk
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."

首席軟體結構設計師Robotron Datenbank-Software GmbH 產品經理暨組長 Deepa Kasinathan
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."

Nestlé Global Security Operations Center 首席資料科學家 Ignasi Paredes-Oliva
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."

PepsiCo 購物者見解、資料科學和進階分析的資深主管 Michael Cleavinger
PepsiCo

提高火車乘客的方便性

DB Systel 是德國鐵路公司 Deutsche Bahn 的數位合作夥伴,開發了一套名為 Digital Guide Dog 的解決方案來協助乘客。使用 Microsoft Azure Machine Learning 搭配神經網路,只需要幾小時的時間,就能訓練新模型。

DB Systel GmbH

Azure Machine Learning 最新消息、部落格及公告

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、訓練及部署機器學習模型。

當您一切就緒時,就能開始設定 Azure 免費帳戶