Azure Machine Learning
Nagyvállalati szintű gépi tanulási szolgáltatás a modellek gyorsabb létrehozásához és üzembe helyezéséhez
Felgyorsíthatja a teljes gépi tanulási folyamatot
Támogassa az adatszakértőket és a fejlesztőket hatékony élményekkel a gépi tanulási modellek létrehozásában, betanításában és üzembe helyezésében, és növelje a csapatok együttműködési lehetőségeit. Felgyorsíthatja a piacra jutást az iparágvezető MLOps – a gépi tanulási műveletek, azaz gépi tanulási DevOps – segítségével. Innovatív megoldásait a gépi tanulás felelős használatához kialakított biztonságos és megbízható platformon valósíthatja meg.
Gépi tanulás minden készségszinthez
Hatékonyság minden szakmai hozzáértési szinten a Jupyter-jegyzetfüzetekkel, a fogd és vidd módszerrel működő tervezővel és az automatizált gépi tanulással
Teljes funkcionalitású MLOps
Robusztus MLOps-képességek, amelyek lehetővé teszik az automatizált és reprodukálható gépi tanulási munkafolyamatok használatával a modellek létrehozását és üzembe helyezését nagy méretekben
Felelős gépi tanulás innovációhoz
Felelősséget segítő beépített képességek, amelyekkel megérheti, megvédheti és vezérelheti az adatait, modelljeit és folyamatait
Nyitott és együttműködő
Kategóriájában a legjobb támogatás az olyan nyílt forráskódú keretrendszerekhez és nyelvekhez, mint az MLflow, a Kubeflow, az ONNX, a PyTorch, a TensorFlow, a Python, és az R
A hatékonyság gépi tanulás általi javítása a szakmai hozzáértés minden szintjén
A gépi tanulási modelleket gyorsan hozhatja létre és helyezheti üzembe a bármely szakmai hozzáértés mellett használható eszközökkel. A Jupyter Notebookokat használhatja az IntelliSense-szel vagy a fogd és vidd tervezővel is. Az automatizált gépi tanulás segítségével felgyorsíthatja a modellek létrehozását, igénybe veheti a beépített funkciófeldolgozást, az algoritmusválasztást és a hiperparaméterek vizsgálatának képességeit. A csapatmunka hatékonyságát növelheti megosztott adatkészletekkel, jegyzetfüzetekkel, modellekkel és olyan testre szabható irányítópultokkal, amelyekkel a gépi tanulási folyamat összes aspektusát nyomon követheti.
Nagyszámú modell üzembe helyezése MLOps használatával
Az MLOps leegyszerűsíti a gépi tanulás életciklusát a modellek létrehozásától az üzembe helyezésig és a kezelésig. Reprodukálható munkafolyamatokat hozhat létre gépi tanulási folyamatokkal, és több ezer modellt taníthat be, érvényesíthet és helyezhet üzembe nagy méretekben a felhőben vagy a permhálózaton. A felügyelt online és kötegelt végpontokkal gördülékenyen helyezheti üzembe és pontozhatja a modelleket anélkül, hogy a mögöttes infrastruktúrát kellene kezelnie. Az Azure DevOps vagy a GitHub Actions használatával ütemezheti, kezelheti és automatizálhatja a gépi tanulási folyamatokat, és speciális adatsodródás-elemzéssel javíthatja a modell időbeli teljesítményét.
Felelős gépi tanulási megoldások létrehozása
Modern, felelős gépi tanulási képességeket használhat, amelyekkel megértheti, vezérelheti és egyszerűbben védheti az adatait, modelljeit és folyamatait. Megismerheti a modellviselkedést a betanítás és a dedukció során, és a modelltorzítások észlelésével és kezelésével méltányos megoldásokat készíthet. A megkülönböztető adatvédelmi technikákkal a teljes gépi tanulási életciklusban megvédheti az adatokat, a bizalmas számítástechnikával pedig a gépi tanulási eszközöket. Automatikusan karbantarthatja az auditnaplókat, nyomon követheti az életutakat és modell-adatlapokkal valósíthatja meg az elszámoltathatóságot.
Nyitott és rugalmas platform az innovatív megoldásokhoz
Beépített támogatást kaphat a mesterségesintelligencia-modellek betanítását és dedukcióit segítő nyílt forráskódú eszközökhöz és keretrendszerekhez. Olyan ismerős keretrendszereket használhat, mint például a PyTorch, a TensorFlow és a Scikit-learn, vagy a nyílt és együttműködő ONNX formátum. Igényei szerint választhat fejlesztési eszközt – köztük népszerű integrált fejlesztőkörnyezeteket, a Visual Studio Code-ot, Jupyter-jegyzetfüzeteket és parancssori felületeket –, továbbá olyan programnyelveket, mint a Python és az R. Az ONNX Runtime használatával a felhőben és a peremeszközökön egyaránt optimalizálhatja és gyorsíthatja a dedukciót. A MLflow használatával nyomon követheti a betanítási kísérletek összes aspektusát.
Fejlessze gépi tanulási készségeit az Azure-ral
Ezen a 30 napos tanulási programon többet is megtudhat az Azure-beli gépi tanulásról, és gyakorlati oktatóanyagokat végezhet el. A tanulás befejeztével felkészülten teheti majd le az Azure-adatszakértői munkatárs minősítő vizsgát.
Fokozott biztonság, cégirányítás és hibrid infrastruktúra
- Az Azure Arc együttműködési képességével modelleket taníthat be a hibrid infrastruktúrán a Kubernetes-fürtök használatával a helyszíni és a többfelhős környezetekben és a peremen is.
- Olyan biztonsági funkciókat érhet el, mint a szerepköralapú hozzáférés, az egyéni gépi tanulási szerepkörök, a virtuális hálózatok és a privát kapcsolatok. A vezérlést szabályzatokkal, auditnaplókkal, valamint kvóta- és költségkezeléssel kezelheti.
- A 60 tanúsítványra (így többek között a FedRAMP Highra és a DISA IL5-re) kiterjedő portfólióval leegyszerűsítheti a megfelelőséget.
A szolgáltatás legfontosabb funkciói
Együttműködésre használható jegyzetfüzetek
Maximális hatékonyságot érhet el az IntelliSense, a számítási erőforrások és kernelek közötti egyszerű váltás és az offline jegyzetfüzet-szerkesztés segítségével. Ha a jegyzetfüzetét a Visual Studio Code-ban nyitja meg, funkciókban gazdag fejlesztési élményben lesz része biztonságos hibakereséssel és a Git-verziókövetés támogatásával.
Automatizált gépi tanulás
Gyorsan hozhat létre pontos modelleket besoroláshoz, regresszióhoz és idősoros előrejelzéshez. A modellek értelmezhetőségét kihasználva megértheti a modell felépítését.
Fogd és vidd típusú gépi tanulás
Használhatja az olyan gépi tanulási eszközöket, mint a tervező adatátalakítási, modell-betanítási és -kiértékelési modulokkal, és néhány kattintással létrehozhat és közzétehet gépi tanulási folyamatokat.
Adatcímkézés
Gyorsan előkészítheti az adatokat, kezelheti és figyelheti a címkézési projekteket, és automatizálhatja az ismétlődő feladatokat a gépi tanulással támogatott címkézéssel.
MLOps
A központi regisztrációs adatbázisban tárolhatja és nyomon követheti az adatokat, modelleket és metaadatokat. Automatikusan rögzíthet életút- és irányítási adatokat. A Git használatával nyomon követheti a munkát, a GitHub Actions segítségével pedig munkafolyamatokat implementálhat. Kezelheti és figyelheti a betanítási és kísérleti futtatásokat, vagy összehasonlíthat több futtatást. Felügyelt végpontok használatával végezheti el a modellek üzembe helyezését és pontozását, a metrikák naplózását, és biztonságosan vezetheti be a modelleket.
Számítások automatikus skálázása
Felügyelt számításokkal eloszthatja a betanítást, és gyorsan tesztelheti, ellenőrizheti és üzembe helyezheti a modelleket. A CPU- és GPU-fürtök megoszthatók egy munkaterületen, és automatikusan skálázva lesznek a gépi tanulás igényeinek megfelelően.
Mély integráció más Azure-szolgáltatásokkal
Gyorsabban érhet el eredményeket a Microsoft Power BI és az olyan szolgáltatások beépített integrációjával, mint az Azure Synapse Analytics, az Azure Cognitive Search az Azure Data Factory, az Azure Data Lake, az Azure Arc és az Azure Databricks.
Hibrid és többfelhős környezetek támogatása
Az Azure Arc használatával gépi tanulást futtathat a meglévő Kubernetes-fürtökön a helyszínen, a többfelhős környezeteken és a peremen. Az egyszerű, egykattintásos üzembe helyezési gépi tanulási ügynök használatával biztonságosabb módon indíthatja el a modellek betanítását, bárhol is legyenek az adatai.
Megerősítő tanulás
Nagy teljesítményű számítási fürtökre skálázhatja a megerősítő tanulást, támogathat többügynökös használati helyzeteket, és hozzáférhet nyílt forráskódú megerősítő tanulási algoritmusokhoz, -keretrendszerekhez és -környezetekhez.
Felelős gépi tanulás
Az értelmezhetőségi képességekkel biztosíthatja a modell átlátszóságát a betanítás és a dedukció során. Az eltérési metrikákkal igazságossá teheti a modellt, és mérsékelheti a részrehajlást. Az adatokat megkülönböztető adatvédelemmel és bizalmas gépi tanulási folyamatokkal védheti.
Nagyvállalati szintű biztonság
Biztonságosabban készíthet és helyezhet üzembe modelleket az olyan képességekkel, mint a hálózati elkülönítés és a Private Link, az erőforrásokhoz és műveletekhez használt szerepköralapú hozzáférés-vezérlés, az egyéni szerepkörök és a számítási erőforrások felügyelt identitásai.
Költségkezelés
Jobban kezelheti az Azure Machine Learning számítási példányainak erőforrás-elosztását a munkaterületek és erőforrásszintek kvótakorlátaival.
Csak a tényleges használatért kell fizetnie előzetes költség nélkül
Professzionális gépi tanulás az Azure-ban
Az Azure-beli TensorFlow, Spark és Kubernetes használatával magas szintű technikákat használhat automatizált és nagy mértékben skálázható, teljes körű gépi tanulási modellek és folyamatok létrehozásához.
Az adattudomány alapelvei
Az adatokkal foglalkozók körében sokan rendelkeznek készségekkel a matematika, a programozás vagy a tartományi szaktudás terén, a valódi adattudományhoz azonban mindhárom szükséges. Ez az átfogó e-könyv segít bepótolni azt, ami még hiányzik.
A Forrester Wave vezetője 2020-ban
A Forrester a Microsoftot és az Azure Machine Learninget vezető pozícióban mutatja be a The Forrester Wave™ jelentésben: Jegyzetfüzet-alapú prediktív elemzés és gépi tanulás, 2020 3. negyedév.
Az Azure Machine Learning használata
Ugrás a stúdió-webszolgáltatáshoz
Létrehozás és betanítás
Üzembe helyezés és kezelés
Új modelleket készíthet, valamint számítási helyeket, modelleket, üzemelő példányokat, metrikákat és futtatási előzményeket tárolhat a felhőben.
Az automatikus gépi tanulás használatával azonosíthatja az algoritmusokat és a hiperparamétereket, és nyomon követheti a kísérleteket. A modelleket a jegyzetfüzetek és a húzással működő tervező használatával is létrehozhatja.
Gépi tanulási modelljeit üzembe helyezheti a felhőben vagy a permhálózaton, figyelheti a teljesítményüket, és szükség szerint újra betaníthatja őket.
Erőforrások
Kezdő szintű oktatóanyagok
Speciális oktatóanyagok
Kiemelt videók
- Ismerkedés az Azure Machine Learning szolgáltatással
- A tervező használata fogd és vidd módszerrel kezelhető gépi tanuláshoz
- Automatizált gépi tanulás a modellek gyors létrehozásához
- A Jupyter-jegyzetfüzetek hatékony használata
- Az MLOps-életciklus kezelése
- Felelősségteljes modellkészítés
- A hatékonyság növelése adatcímkézéssel
További források
Kezdje meg az Azure Machine Learning használatát még ma
Azonnali hozzáférést és $200 kreditet kap, ha ingyenes Azure-fiókot regisztrál.
Bejelentkezés az Azure Portalra.
Tekintse meg a dokumentációt és az oktatóanyagokat, és böngésszen a gyorsútmutatók és a fejlesztői források között.
Az Azure Machine Learninget használó ügyfelek
Jolie Vitale, üzleti intelligenciáért és elemzésekért felelős igazgató, Carhartt"The model we deployed on Azure Machine Learning helped us choose three new retail locations. Those stores exceeded their revenue plans by over 200 percent [that] December, the height of our season, and within months of opening were among the best-performing stores in their districts."
Ignasi Paredes-Oliva, vezető adattudós, Nestlé Global Security Operations Center"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."
Joey Chua, vezető gépi tanulási mérnök, AGL"Azure Machine Learning allows us to manage the entire lifecycle, from experimentation and development to production and enhancements."
Daniel Engberg, adatelemzési és mesterségesintelligencia-osztályvezető, Scandinavian Airlines"With model interpretability in Azure Machine Learning, we have a high degree of confidence that our machine learning model is generating meaningful and fair results."
Michael Cleavinger, vásárlói adatelemzési, adatelemzési és speciális elemzési igazgató, PepsiCo"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."
Alex Mohelsky, partner- és tanácsadói adatok, elemző és AI-vezető, EY Canada"We see Azure Machine Learning and our partnership with Microsoft as critical to driving increased adoption and acceptance of AI from the regulators."
Azure Machine Learning – frissítések, blogok és közlemények
Azure Machine Learning – gyakori kérdések
-
A szolgáltatás általánosan elérhető számos országban és régióban, és a továbbiakban újabbakban is elérhető lesz.
-
Az Azure Machine Learning szolgáltatásiszint-szerződése (SLA) 99,9%-os üzemidőt garantál.
-
Az Azure Machine Learning stúdió a Machine Learning szolgáltatás legfelső szintű erőforrása. Ez a képesség olyan központi helyet biztosít az adattudósok és a fejlesztők számára, ahol a gépi tanulási modellek létrehozásának, betanításának és üzembe helyezésének összes összetevőjével dolgozhatnak.