Vad är Azure Machine Learning?

Azure Machine Learning är en molntjänst för att påskynda och hantera livscykeln för maskininlärningsprojekt. Maskininlärningspersonal, dataexperter och tekniker kan använda det i sina dagliga arbetsflöden: Träna och distribuera modeller och hantera MLOps.

Du kan skapa en modell i Azure Machine Learning eller använda en modell som skapats från en plattform med öppen källkod, till exempel Pytorch, TensorFlow eller scikit-learn. MLOps-verktyg hjälper dig att övervaka, träna om och distribuera om modeller.

Tips

Kostnadsfri utvärderingsversion! Om du inte har en Azure-prenumeration kan du skapa ett kostnadsfritt konto innan du börjar. Prova den kostnadsfria eller betalda versionen av Azure Machine Learning. Du får krediter som du kan använda för att köpa Azure-tjänster. När de är slut kan du behålla kontot och använda kostnadsfria Azure-tjänster. Ditt kreditkort debiteras aldrig om du inte specifikt ändrar dina inställningar och ber om debitering.

Vem är Azure Machine Learning för?

Azure Machine Learning är till för individer och team som implementerar MLOps i organisationen för att föra in maskininlärningsmodeller i produktion i en säker och granskningsbar produktionsmiljö.

Dataexperter och ML-tekniker hittar verktyg för att påskynda och automatisera sina dagliga arbetsflöden. Programutvecklare hittar verktyg för att integrera modeller i program eller tjänster. Plattformsutvecklare kommer att hitta en robust uppsättning verktyg som stöds av hållbara Azure Resource Manager API:er för att skapa avancerade ML-verktyg.

Företag som arbetar i Microsoft Azure-molnet hittar välbekant säkerhets- och rollbaserad åtkomstkontroll (RBAC) för infrastrukturen. Du kan konfigurera ett projekt för att neka åtkomst till skyddade data och välja åtgärder.

Produktivitet för alla i teamet

Maskininlärningsprojekt kräver ofta ett team med olika kunskaper för att skapa och underhålla. Azure Machine Learning har verktyg som hjälper dig att:

  • Samarbeta med ditt team via delade notebook-filer, beräkningsresurser, data och miljöer

  • Utveckla modeller för rättvisa och förklaring, spårning och granskning för att uppfylla kraven på ursprung och granskningsefterlevnad

  • Distribuera ML-modeller snabbt och enkelt i stor skala och hantera och styra dem effektivt med MLOps

  • Köra maskininlärningsarbetsbelastningar var som helst med inbyggd styrning, säkerhet och efterlevnad

Plattformsverktyg som uppfyller dina behov

Alla i ett ML-team kan använda sina önskade verktyg för att få jobbet gjort. Oavsett om du kör snabba experiment, hyperparameterjustering, skapar pipelines eller hanterar slutsatsdragningar kan du använda välbekanta gränssnitt, inklusive:

När du förfinar modellen och samarbetar med andra under resten av Machine Learning-utvecklingscykeln kan du dela och hitta tillgångar, resurser och mått för dina projekt i Azure Machine Learning-studio användargränssnittet.

Studio

Azure Machine Learning-studio erbjuder flera redigeringsupplevelser beroende på typen av projekt och nivån på din tidigare ML-upplevelse, utan att behöva installera något.

  • Notebook-filer: skriv och kör din egen kod i hanterade Jupyter Notebook servrar som är direkt integrerade i studion.

  • Visualisera körningsmått: analysera och optimera dina experiment med visualisering.

    Skärmbild av mått för en träningskörning.

  • Azure Machine Learning-designer: Använd designern för att träna och distribuera maskininlärningsmodeller utan att skriva någon kod. Dra och släpp datauppsättningar och komponenter för att skapa ML-pipelines. Prova självstudien designer.

  • Användargränssnitt för automatiserad maskininlärning: Lär dig hur du skapar automatiserade ML-experiment med ett lätthanterad gränssnitt.

  • Dataetiketter: Använd Azure Machine Learning-dataetiketter för att effektivt samordna bildetiketter eller textetikettprojekt .

Företagsberedskap och säkerhet

Azure Machine Learning integreras med Azure-molnplattformen för att öka säkerheten i ML-projekt.

Säkerhetsintegreringar omfattar:

  • Virtuella Azure-nätverk (VNet) med nätverkssäkerhetsgrupper
  • Azure Key Vault där du kan spara säkerhetshemligheter, till exempel åtkomstinformation för lagringskonton
  • Azure Container Registry konfigureras bakom ett virtuellt nätverk

Se Självstudie: Konfigurera en säker arbetsyta.

Azure-integreringar för kompletta lösningar

Andra integreringar med Azure-tjänster stöder ett maskininlärningsprojekt från slutpunkt till slutpunkt. De omfattar:

  • Azure Synapse Analytics för att bearbeta och strömma data med Spark
  • Azure Arc, där du kan köra Azure-tjänster i en Kubernetes-miljö
  • Lagrings- och databasalternativ, till exempel Azure SQL Database, Azure Storage Blobs och så vidare
  • Azure App Service så att du kan distribuera och hantera ML-baserade appar

Viktigt

Azure Machine Learning lagrar eller bearbetar inte dina data utanför den region där du distribuerar.

Arbetsflöde för maskininlärningsprojekt

Modeller utvecklas vanligtvis som en del av ett projekt med ett mål och mål. Projekt involverar ofta mer än en person. När du experimenterar med data, algoritmer och modeller är utvecklingen iterativ.

Projektlivscykel

Projektets livscykel kan variera beroende på projekt, men det ser ofta ut så här:

Livscykeldiagram för maskininlärningsprojekt

En arbetsyta organiserar ett projekt och möjliggör samarbete för många användare som alla arbetar mot ett gemensamt mål. Användare på en arbetsyta kan enkelt dela resultatet av sina körningar från experimentering i studioanvändargränssnittet eller använda versionshanterade tillgångar för jobb som miljöer och lagringsreferenser.

Mer information finns i Hantera Azure Machine Learning-arbetsytor.

När ett projekt är redo för driftsättning kan användarnas arbete automatiseras i en maskininlärningspipeline och utlösas enligt ett schema eller en HTTPS-begäran.

Modeller kan distribueras till den hanterade slutsatsdragningslösningen för både realtids- och batchdistributioner, vilket abstraherar bort den infrastrukturhantering som vanligtvis krävs för att distribuera modeller.

Inlärningsmodeller

I Azure Machine Learning kan du köra ditt träningsskript i molnet eller skapa en modell från grunden. Kunder tar ofta med sig modeller som de har skapat och tränat i ramverk med öppen källkod, så att de kan operationalisera dem i molnet.

Öppna och driftskompatibla

Dataexperter kan använda modeller i Azure Machine Learning som de har skapat i vanliga Python-ramverk, till exempel:

  • PyTorch
  • TensorFlow
  • scikit-learn
  • XGBoost
  • LightGBM

Andra språk och ramverk stöds också, inklusive:

  • R
  • .NET

Se Integrering med öppen källkod med Azure Machine Learning.

Automatisk funktionalisering och algoritmval (AutoML)

I en repetitiv, tidskrävande process använder forskare inom klassiska maskininlärningsdata tidigare erfarenhet och intuition för att välja rätt databedrifttag och algoritm för träning. Automatisk ML (AutoML) påskyndar den här processen och kan användas via Studio UI eller Python SDK.

Se Vad är automatiserad maskininlärning?

Optimering av hyperparameter

Optimering av hyperparametrar eller justering av hyperparametrar kan vara en omständlig uppgift. Azure Machine Learning kan automatisera den här uppgiften för godtyckliga parametriserade kommandon med liten ändring av jobbdefinitionen. Resultaten visualiseras i studion.

Se Så här finjusterar du hyperparametrar.

Distribuerad träning med flera nod

Effektiviteten i träning för djupinlärning och ibland klassiska maskininlärningsträningsjobb kan förbättras drastiskt via distribuerad utbildning med flera nod. Azure Machine Learning-beräkningskluster erbjuder de senaste GPU-alternativen.

Stöds via Azure ML Kubernetes och Azure ML-beräkningskluster:

  • PyTorch
  • TensorFlow
  • MPI

MPI-fördelningen kan användas för Horovod eller anpassad multinodlogik. Dessutom stöds Apache Spark via Azure Synapse Analytics Spark-kluster (förhandsversion).

Se Distribuerad träning med Azure Machine Learning.

Pinsamt parallell träning

Skalning av ett maskininlärningsprojekt kan kräva skalning av pinsamt parallell modellträning. Det här mönstret är vanligt för scenarier som prognostisering av efterfrågan, där en modell kan tränas för många butiker.

Distribuera modeller

För att få en modell till produktion distribueras den. Azure Machine Learnings hanterade slutpunkter abstraherar den infrastruktur som krävs för både batch- eller realtidsmodellbedömning (online) (slutsatsdragning).

Realtids- och batchbedömning (slutsatsdragning)

Batchbedömning, eller batch-slutsatsdragning, innebär att anropa en slutpunkt med en referens till data. Batchslutpunkten kör jobb asynkront för att bearbeta data parallellt i beräkningskluster och lagra data för ytterligare analys.

Realtidsbedömning, eller onlineinferens, innebär att anropa en slutpunkt med en eller flera modelldistributioner och få ett svar nästan i realtid via HTTPs. Trafik kan delas upp i flera distributioner, vilket gör det möjligt att testa nya modellversioner genom att avleda en viss mängd trafik från början och öka förtroendet för den nya modellen.

Se:

MLOps: DevOps för maskininlärning

DevOps för maskininlärningsmodeller, som ofta kallas MLOps, är en process för att utveckla modeller för produktion. En modells livscykel från träning till distribution måste vara granskningsbar om den inte kan återskapas.

ML-modelllivscykel

Livscykel för maskininlärningsmodell * MLOps

Läs mer om MLOps i Azure Machine Learning.

Integreringar som aktiverar MLOP:er

Azure Machine Learning skapas med modellens livscykel i åtanke. Du kan granska modellens livscykel ned till en specifik incheckning och miljö.

Några viktiga funktioner som aktiverar MLOps är:

  • git Integration
  • MLflow-integrering
  • Schemaläggning av pipeline för maskininlärning
  • Azure Event Grid integrering för anpassade utlösare
  • Lätt att använda med CI/CD-verktyg som GitHub Actions eller Azure DevOps

Azure Machine Learning innehåller även funktioner för övervakning och granskning:

  • Jobbartefakter, till exempel ögonblicksbilder av kod, loggar och andra utdata
  • Ursprung mellan jobb och tillgångar, till exempel containrar, data och beräkningsresurser

Nästa steg

Börja använda Azure Machine Learning: