略過導覽

Azure Machine Learning

使用適用於端對端機器學習生命週期的企業級服務

Azure Machine Learning

使用適用於端對端機器學習生命週期的企業級服務

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。利用領先業界的機器學習作業 (MLOps)、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,專為機器學習中負責任 AI 應用程式而設計的平台上進行創新。

快速建置及訓練模型

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

提供可靠的解決方案

開發公平性與可解釋性的模型、在部署時以負責的方式使用這些模型,並加以管理以滿足行經和稽核合規性需求。

大規模地執行作業

使用 MLOps 快速輕鬆地部署 ML 模型,並有效管理和管理它們。

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。

機器學習專案的 ROI 最高為 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

支援端對端機器學習生命週期

資料標記

標記訓練資料並管理標記專案。

資料準備

使用分析引擎,以進行資料探索和準備。

資料集

存取資料並建立及共用資料集。

Notebooks

使用帶有附加計算的共同作業 Jupyter Notebook。

自動化機器學習

自動訓練和調整精確的模型。

拖放功能設計工具

使用拖放功能開發介面進行設計。

實驗

執行實驗並建立及共用自訂儀表板。

命令列介面

加速模型訓練程式,同時在 Azure 計算上向上和向外擴展。

Visual Studio Code 和 GitHub

使用熟悉的工具,輕鬆地從本機訓練切換至雲端訓練。

計算執行個體

使用雲端 CPU、GPU 和超級計算叢集,在受控且安全的環境中開發。

開放原始碼程式庫和架構

取得 Scikit-learn、PyTorch、TensorFlow、Keras、Ray RLLib 等內建支援。

受管理的端點

快速輕鬆地部署批次和即時推斷的模型。

管線與 CI/CD

自動化機器學習工作流程。

預先建置映像

使用架構和程式庫存取容器影像以進行推斷。

模型存放庫

共用與追蹤模型和資料。

混合式和多重雲端

在內部部署及跨多重雲端環境訓練及部署模型。

最佳化模型

使用 ONNX 執行階段加速訓練與推斷,並降低成本。

監視和分析

追蹤、記錄與分析資料、模型和資源。

資料漂移

偵測漂移並保持模型精確度。

錯誤分析

偵錯模型並最佳化模型精確度。

稽核

追蹤適用於合規性的機器學習專案。

原則

使用內建和自訂原則進行合規性管理。

安全性

享受 Azure 資訊安全中心的持續監視。

費用控制

套用配額管理與自動關機。

快速開發出精確的模型,可以縮短實現價值的時間

利用 Studio 功能提高生產力。Studio 支援所有建置、訓練及部署模型的機器學習工作開發體驗。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。利用自動化機器學習、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,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 ML 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機器學習成品內建的追蹤及歷程,進行稽核和管理。

提供可靠的機器學習解決方案

使用可重現且自動化的工作流程評估機器學習模型,以評估模型公平性、可解釋性、錯誤分析、原因分析、模型績效和探索資料分析。在負責任 AI 儀表板中,原因分析進行現實生活中的操作和策略,在部署時產生計分卡。將計分卡匯出為 PDF,以將負責任 AI 計量內容化,並同時與技術和非技術物件共用,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、私人端點和端對端私人 IP 位址,建立更安全的機器學習解決方案。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 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,您將準備接受 Azure Data Scientist Associate 認證。

完整機器學習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,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、時間序列預測、自然語言處理工作模型。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 服務的互通性

利用 Microsoft 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,使用簡單機器學習代理程式,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,降低計算執行個體的費用,以及更妥善地管理其資源配置。

精通 Azure Machine Learning 指南

學習專業技術,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。

工程 MLOps 白皮書

探索使用 MLOps 建置、部署及監視機器學習解決方案的系統性方法。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 WaveTM 2020 報告

了解為什麼 Forrester 在 Forrester WaveTM: 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 Azure Machine Learning 列為領導者。

Forrester 總體經濟影響TM (TEI) 研究

Microsoft 委託的 Forrester 諮詢總體經濟影響TM (TEI) 研究會檢查 Azure Machine Learning 可能實現的潛在投資報酬率 (ROI) 企業。

Machine Learning 解決方案白皮書

了解如何建立安全、可調整且可靠的解決方案。

負責任 AI 白皮書

閱讀了解、保護及控制模型的工具和方法。

機器學習作業 (MLOps) 白皮書

加速大規模建置、訓練及部署模型的程序。

Azure Arc-enabled Machine Learning white paper

Learn how to build, train, and deploy models in any infrastructure.

全方位的安全性與合規性,內建

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。

用多少付多少,無需預付款

開始使用 Azure 免費帳戶

開始免費試用。取得可在 30 天內使用的 $200 數。擁有點數的同時,還可以免費取得我們多數的熱門服務,以及超過 40 項永遠免費的其他服務。

取得點數後,移至隨用隨付,以繼續建立相同的免費服務。只有當使用量超過每月免費數量時才需付費。

12 個月之後,您仍可繼續取得超過 40 項的永遠免類的服務,且您僅需支付超過每月免費數量的使用費用。

使用 Azure Machine Learning 的客戶

"We make it our mission to try new ideas and go beyond to differentiate AXA UK from other insurers. We see managed endpoints in Azure Machine Learning as a key enabler for our digital ambition."

Nic Bourven,AXA UK 的資訊長
AXA UK

"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 的合作夥伴,開發了 Digital Guide Dog 解決方案來協助乘客。使用 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 公司

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

免費試用 Machine Learning。

開始使用隨用隨付價格