Microsoft Azure Machine Learning

Om Machine Learning

Microsoft Azure Machine Learning kan bruges til enhver form for maskinindlæring, fra klassisk ml til dyb læring, overvåget og ‘uden opsyn’ læring. Uanset om du foretrækker at skrive Python- eller R-kode med SDK’en eller arbejde uden indstillinger for kode, kan du opbygge, træne og spore maskinindlæring og dyblæringsmodeller i et Azure Machine Learning Workspace.

Start træningen på din lokale maskine, og skaler derefter ud til cloud.

Tjenesten interopererer også med populære open source-værktøjer til dyb læring og forstærkning, så som PyTorch, TensorFlow, scikit-learning og Ray RLlib.

Hvad er Machine Learning?

Machine learning er en datavidenskabelig teknik, der gør det muligt for computere at bruge eksisterende data til at forudsige fremtidig adfærd, resultater og tendenser. Ved at bruge maskinindlæring lærer computere, uden at være eksplicit programmeret.

Prognoser eller forudsigelser fra maskinindlæring kan gøre Apps og enheder smartere. Når du eksempelvis handler online, hjælper maskinlæring med at anbefale andre produkter, du måske vil have, baseret på hvad du har købt. Når dit kreditkort swipes, sammenligner maskinindlæring transaktionen med en database med transaktioner og hjælper med at opdage svindel. Når din robotstøvsuger støvsuger et rum, hjælper maskinindlæring ligeledes med at afgøre, om jobbet er udført.

Machine learnings værktøjer, der passer til hver opgave
Azure Machine Learning tilbyder alle de værktøjer, som udviklere og dataforskere har brug for til deres maskinlæringsarbejdsprocesser, herunder:

• Azure Machine Learning-designeren: træk-og-slip-moduler til at opbygge eksperimenter og implementere pipelines.
• Jupyter-notesbøger: Opret dine egne notesbøger og brug SDK til Python-samples til din maskinindlæring.
• R-scripts eller notesbøger, hvor du bruger SDK til R til at skrive din egen kode eller bruge R-modulerne i designeren.
• The Many Models Solution Accelerator bygger på Azure Machine Learning og giver dig mulighed for at træne, betjene og administrere hundrede eller endda tusindvis af machine learning-modeller.
• Visual Studio-Code extension
• Machine Learning CLI
• Open source-framework som PyTorch, TensorFlow og scikit-learning og mange flere
• Reinforcement learning med Ray RLlib
• Du kan endda bruge MLflow til at spore metrics og implementere modeller eller Kubeflow til at oprette end-to-end workflow-pipelines.
• Byg ML-modeller i Python eller R

Start træning på din lokale maskine ved hjælp af Azure Machine Learning Python SDK eller R SDK. Derefter kan du skalere ud til skyen.

Med mange tilgængelige beregningsmål som Azure Machine Learning Compute og Azure Databricks og med avancerede tjenester for hyperparameter kan du oprette bedre modeller hurtigere ved at bruge skyen.

Du kan også automatisere model træning og tuning ved hjælp af SDK.

Byg ML-modeller i studiet
Azure Machine Learning Studio er en webportal i Azure Machine Learning med lidt eller ingen kode til modeluddannelse, implementering og aktivstyring.

MLOps: Deploy & lifecycle management

Når du har den rigtige model, kan du nemt bruge den i en webservice, på en IoT-enhed eller i Power BI. Derefter kan du administrere dine implementerede modeller ved hjælp af Azure Machine Learning SDK til Python, Azure Machine Learning studio eller machine learning CLI.

Disse modeller kan returnere forudsigelser i realtid eller asynkront på store datamængder.

Avancerede maskinlærings-pipelines giver mulighed for, at bruge hvert trin fra dataforberedelse, modeluddannelse og evaluering til implementering. Pipelines giver dig mulighed for at:

• Automatiser den end-to-end maskinlæringsproces i skyen
• Genbrug komponenter og afvikel kun trin igen, når det er nødvendigt
• Brug forskellige beregningsressourcer i hvert trin
• Kør batch-scoringsopgaver

Hvis du vil bruge scripts til at automatisere din maskinindlæringsworkflow, indeholder CLI til maskinindlæring kommandolinjeværktøjer, der udfører almindelige opgaver, såsom at sende en træningskørsel eller implementere en model.

Integration med open source-værktøjer som Git og MLFlow

Azure Machine Learning fungerer med andre tjenester på Azure-platformen og integreres også med open source-værktøjer som Git og MLFlow.

• Beregn mål såsom Azure Kubernetes Service, Azure Container Instances, Azure Databricks, Azure Data Lake Analytics og Azure HDInsight.
• Azure Event Grid.
• Azure Monitor.
• Datalagre såsom Azure Storage-konti, Azure Data Lake Storage, Azure SQL Database, Azure Database for PostgreSQL og Azure Open Datasets.
• Azure virtuelle netværk.
• Azure-rørledninger.
• Git arkivlogfiler.
• MLFlow.
• Kubeflow.

Kontakt

Langt de fleste private virksomheder og offentlige organisationer har over en årrække gennemgået en digital udvikling, så teknologien nu spiller en afgørende rolle, når nye produkter skal lanceres, brugeroplevelsen skal forbedres, eller interne processer skal optimeres. De teknologiske muligheder smelter sammen med din kerneforretning i form af innovative muligheder og agile arbejds- og udviklingsprocesser. Lad os hjælpe med at indfri jeres digitale potentiale. Vi følger altid op med service – også efter udviklingsfasen.