Azure Machine Learning 的新功能現已推出
發佈日期： 五月 06, 2019
功能包括：
- 模型可解譯性 - 機器學習可解譯性允許資料科學家透過易於使用和可調整的方式，使用先進技術在所有資料上全域解譯機器學習模型，或在特定資料點上區域解譯。 機器學習可解譯性合併 Microsoft 開發的技術，與經過實證的協力廠商程式庫 (例如 SHAP 和 LIME)。SDK 會在整合的程式庫中建立常用 API，並整合 Azure Machine Learning 服務。使用此 SDK，您可以透過易於使用和可調整的方式，使用先進技術在所有資料上全域解釋機器學習模型，或在特定資料點上區域解譯。
- 透過 AutomatedML、自動化 ML 進展和 Databricks、CosmosDB 和 HDInsight 支援的 AutomatedML 進行預測 -
- 自動化 ML 會將部分 ML 工作流程自動化，減少建置 ML 模型所需的時間，使資料科學家能專注處理重要的工作，同時簡化 ML，讓更多對象得以使用。我們已宣布：
- 預測現已正式推出，並包含新功能
- 與 Databricks、SQL、CosmosDB 和 HDInsight 整合
- 可解譯性現已正式推出，而且效能已提升
- .NET 整合：我們在 2018 年 5月發行 ML.NET 0.1 作為開放原始碼時，偉大的旅程已公然展開，ML.NET 1.0 版本是第一個重大里程碑。從那時起，我們每個月都發行新版本，至今共有 12 個預覽版本以及最終這個 1.0 版本。ML.NET 是適用於 .NET 開發人員的開放原始碼和跨平台機器學習架構。透過 ML.NET，開發人員可以利用現有的工具和技能，藉由針對常見案例 (例如情感分析、推薦、影像分類等) 建立自訂機器學習模型，來開發自訂 AI 並結合到應用程式中。 您可以使用 NimbusML (ML.NET Python 繫結)，將 ML.NET 與 Azure Machine Learning 搭配使用。NimbusML 可讓資料科學家在 Azure Machine Learning 或任何他們使用 Python 的地方，使用 ML.NET 訓練模型。訓練好的機器學習模型可方便您應用到具有 ML.NET PredictionEngine 的 .NET 應用程式中，例如此範例。
- 實驗、管線、模型註冊、驗證及部署的一流 Azure DevOps 支援： Azure Machine Learning 的使命是簡化端對端機器學習生命週期，包含資料準備、模型訓練、模型封裝、驗證及模型部署。為達成此目標，我們將推出下列服務：
- 整合至 Azure ML 稽核線索的環境、程式碼和資料版本控制服務、
- 適用於 Machine Learning 的 Azure DevOps 延伸模組和 Azure ML CLI 以及
- 驗證與部署 ML 模型的簡化體驗。 Microsoft 可讓您透過加速產生已可生產的雲端原生 ML 解決方案，來快速採用 ML。生產整備度的定義為：
- 可重新產生的模型訓練管線
- 在發行前經證明可驗證、分析及追蹤模型
- 企業級推出及整合的可觀察性，包括所有必要的適當安全性方針
- ONNX Runtime 與 TensorRT：我們很高興宣布正式推出 ONNX Runtime 中 NVIDIA TensorRT 執行提供者 ONNX Runtime，開發人員不論選擇哪種架構，都能輕鬆利用業界領先的 GPU 加速功能。開發人員可以加快 ONNX 模型的推斷速度，這些模型可以從 PyTorch、TensorFlow 和許多其他熱門架構匯出或轉換。 ONNX Runtime 與其 TensorRT 執行提供者合作，加快 NVIDIA 硬體上深度學習模型的推斷速度。這可讓開發人員在各種硬體上執行 ONNX 模型，並可針對不同的硬體設定靈活建置應用程式。該架構會從硬體專用程式庫取出詳細資料，該資料對深度神經網路執行的最佳化而言非常重要。
- FPGA 型硬體加速模型： FPGA 是以 Project Brainwave (來自 Microsoft 的硬體架構) 為基礎的機器學習推斷選項。資料科學家和開發人員可以使用 FPGA 來加快即時 AI 計算速度。 這些硬體加速模型現已在雲端中正式推出，同時也推出了部署到 Data Box Edge 的模型預覽。FPGA 提供效能、彈性和縮放，並只能透過 Azure Machine Learning 使用。它們可以達成低延遲的即時推斷要求，減少對非同步要求 (批次) 的需求。