Tecnologías > Data

Azure Machine Learning

ML como servicio 

Un servicio de nivel empresarial para el ciclo de vida completo del aprendizaje automático Azure Machine Learning permite a los científicos de datos y a los desarrolladores crear, implementar y gestionar modelos de alta calidad con mayor rapidez y confianza.

Acelera el tiempo de creación de valor con operaciones de aprendizaje automático (MLOps) líderes del sector, interoperabilidad de código abierto y herramientas integradas. Esta plataforma de confianza está diseñada para aplicaciones de IA responsables en el aprendizaje automático.

Características principales

Desarrollo y formación rápidos de modelos, con herramientas integradas
y compatibilidad con marcos y bibliotecas de código abierto. 

Desarrollo responsable de modelos de IA con equidad
y explicabilidad integradas,
y uso responsable para el cumplimiento de la normativa 

Despliegue, gestión y uso compartido rápidos de modelos de ML para la colaboración entre espacios de trabajo y MLOps. 

Gobernanza, seguridad
y conformidad integradas para ejecutar cargas de trabajo de aprendizaje automático en cualquier lugar.

Apoyo al ciclo de vida completo del aprendizaje automático 

Preparación de datos

 

01

Etiquetado de datos

Etiquetar datos de entrenamiento y gestionar proyectos de etiquetado.

02

Preparación de datos

Uso con motores de análisis para la exploración y preparación de datos. 

03

Conjuntos de datos

Accede a los datos y cree y comparta conjuntos de datos. 

Construcción y entrenamiento de modelos 

01

Cuadernos

Utiliza cuadernos Jupyter colaborativos con computación adjunta.

02

Aprendizaje automático

Entrena y ajusta automáticamente modelos precisos. 

03

Diseñador de arrastrar y soltar

Diseña con una interfaz de desarrollo de arrastrar y soltar. 

04

Experimentos

Ejecuta experimentos y crea y comparte cuadros de mando personalizados.

05

CLI y SDK de Python

Acelera el proceso de entrenamiento del modelo mientras aumenta y reduce la escala en Azure compute.

06

Visual Studio Code y GitHub

Utiliza herramientas conocidas y cambie fácilmente de la formación local a la formación en la nube.

07

Instancia de computación

Desarrolla en un entorno gestionado y seguro con CPU, GPU y clústeres de supercomputación en la nube.

08

Bibliotecas y marcos de trabajo de código abierto

Obtén soporte integrado para Scikit-learn, PyTorch, TensorFlow, Keras, Ray RLLib y más.

Validación y despliegue 

 

01

Puntos finales gestionados

Despliega modelos para inferencia por lotes y en tiempo real de forma rápida y sencilla. 

02

Canalizaciones y CI/CD

Automatiza los flujos de trabajo de aprendizaje automático. 

03

Imágenes prediseñadas

Accede a imágenes contenedoras con marcos de trabajo y bibliotecas para la inferencia.

04

Repositorio de modelos

Comparte y rastrea modelos y datos. 

05

Híbrido y multicloud

Entrena y despliega modelos en sus instalaciones y en entornos multicloud. 

06

Optimización de modelos

Acelera la formación y la inferencia y reduzca los costes con ONNX Runtime.

Gestión y supervisión 

01

Seguimiento y análisis

Seguimiento, registro y análisis de datos, modelos y recursos.

02

Desviación de datos

Detección de desviaciones y mantenimiento de la precisión de los modelos.

03

Análisis de errores

Depura los modelos y optimice su precisión.

04

Auditoría

Rastrea los artefactos de aprendizaje automático para garantizar el cumplimiento.

05

Políticas

Utiliza políticas integradas y personalizadas para la gestión de la conformidad.

06

Seguridad

Disfruta de una supervisión continua con Azure Security Center.

07

Control de gastos

Aplica la gestión de cuotas y el apagado automático.

Acelere la obtención de valor con un rápido desarrollo de modelos 

Mejora la productividad con la capacidad de estudio, una experiencia de desarrollo que admite todas las tareas de aprendizaje automático, para construir, entrenar y desplegar modelos. Colabora con Jupyter Notebooks mediante la compatibilidad integrada con las bibliotecas y los marcos de trabajo de código abierto más conocidos. Crea modelos precisos rápidamente con aprendizaje automático automatizado para modelos tabulares, de texto y de imágenes mediante ingeniería de características y barrido de hiperparámetros. Utiliza Visual Studio Code para pasar de la formación local a la formación en la nube sin problemas, y autoescalar con potentes clústeres de CPU y GPU basados en la nube. 

CONTACTAR CON DQS/

Operatividad a escala con MLOps 

Agiliza el despliegue y la gestión de miles de modelos en múltiples entornos utilizando MLOps. Implementa y puntúa modelos más rápidamente con puntos finales totalmente gestionados para predicciones por lotes y en tiempo real. Utiliza canalizaciones repetibles para automatizar los flujos de trabajo de integración continua y entrega continua (CI/CD). Comparte y descubre artefactos de aprendizaje automático en varios equipos para la colaboración entre espacios de trabajo mediante registros. Supervisar continuamente las métricas de rendimiento del modelo, detectar la desviación de los datos y activar el reentrenamiento para mejorar el rendimiento del modelo. 

CONTACTAR CON DQS/

Ofrece soluciones de aprendizaje automático responsables 

Evalúa los modelos de aprendizaje automático con flujos de trabajo reproducibles y automatizados para evaluar la equidad del modelo, la explicabilidad, el análisis de errores, el análisis causal, el rendimiento del modelo y el análisis exploratorio de datos. Realiza intervenciones reales con análisis causal en el panel de control de IA responsable y genere un cuadro de mando en el momento de la implantación. Contextualiza las métricas de IA responsable para audiencias tanto técnicas como no técnicas para implicar a las partes interesadas y agilizar la revisión del cumplimiento. 

CONTACTAR CON DQS/

Innova en una plataforma híbrida más segura y conforme a la normativa 

Aumenta la seguridad en todo el ciclo de vida del aprendizaje automático con funciones integrales que abarcan la identidad, los datos, las redes, la supervisión y el cumplimiento. Proteje las soluciones mediante un control de acceso personalizado basado en funciones, redes virtuales, cifrado de datos, puntos finales privados y direcciones IP privadas. Forme e implante modelos in situ para cumplir los requisitos de soberanía de datos. Gobierna con políticas integradas y agiliza el cumplimiento con 60 certificaciones, incluidas FedRAMP High e HIPAA. 

CONTACTAR CON DQS/

Capacidades de servicio clave para el ciclo de vida completo del aprendizaje automático 

Crea, gestiona y supervisa proyectos de etiquetado y automatice tareas iterativas con etiquetado asistido por aprendizaje automático. 

Repite rápidamente la preparación de datos a escala en clústeres Apache Spark dentro de Azure Machine Learning, interoperable con Azure Synapse Analytics.

Maximiza la productividad con IntelliSense, el cambio sencillo de computación y kernel, y la edición de cuadernos sin conexión. Inicie su cuaderno en Visual Studio Code para disfrutar de una experiencia de desarrollo enriquecida, incluida la depuración segura y la compatibilidad con el control de código fuente Git. 

Crea rápidamente modelos precisos para tareas de clasificación, regresión, previsión de series temporales, procesamiento del lenguaje natural y visión por ordenador. Utilice la interpretabilidad de modelos para comprender cómo se construyó el modelo.

Utiliza herramientas de aprendizaje automático como el diseñador para la transformación de datos, la formación de modelos y la evaluación, o para crear y publicar fácilmente canalizaciones de aprendizaje automático.

Amplía el aprendizaje por refuerzo a potentes clústeres informáticos, admita escenarios con varios agentes y acceda a algoritmos, marcos y entornos de aprendizaje por refuerzo de código abierto. 

Consigue la transparencia de los modelos en el entrenamiento y la inferencia con funciones de interpretabilidad. Evalúa la equidad del modelo mediante métricas de disparidad y mitigue la injusticia. Mejora la fiabilidad del modelo e identifique y diagnostique los errores del modelo con el conjunto de herramientas de análisis de errores. Ayude a proteger los datos con la privacidad diferencial.

Gestiona y supervisa ejecuciones o compara múltiples ejecuciones para la formación y la experimentación. Crea cuadros de mando personalizados y compártalos con su equipo. 

Utiliza repositorios de toda la organización para almacenar y compartir modelos, canalizaciones, componentes y conjuntos de datos en varios espacios de trabajo. Captura automáticamente el linaje y los datos de gobernanza mediante la función de registro de auditoría. 

Utiliza la integración con Git para realizar un seguimiento del trabajo y la compatibilidad con las acciones de GitHub para implementar flujos de trabajo de aprendizaje automático.

Utiliza puntos finales gestionados para poner en funcionamiento la implantación y la puntuación de modelos, registrar métricas y realizar implantaciones seguras de modelos.

Utiliza la informática gestionada para distribuir la formación y probar, validar y desplegar modelos rápidamente. Comparte clústeres de CPU y GPU en un espacio de trabajo y escale automáticamente para satisfacer sus necesidades de aprendizaje automático.

Utiliza herramientas de aprendizaje automático como el diseñador para la transformación de datos, la formación de modelos y la evaluación, o para crear y publicar fácilmente canalizaciones de aprendizaje automático.

Acelera la productividad con Microsoft Power BI y servicios como Azure Synapse Analytics, Azure Cognitive Search, Azure Data Factory, Azure Data Lake, Azure Arc, Azure Security Center y Azure Databricks.

Ejecuta machine learning en clústeres Kubernetes existentes en las instalaciones, en entornos multicloud y en el borde con Azure Arc. Utiliza el sencillo agente de aprendizaje automático para empezar a entrenar modelos de forma más segura, dondequiera que vivan sus datos.

Construye e implementa modelos de forma más segura con aislamiento de red y capacidades de IP privada de extremo a extremo, control de acceso basado en roles para recursos y acciones, roles personalizados e identidad administrada para recursos informáticos.

Reduce los costes de TI y gestiona mejor las asignaciones de recursos para las instancias informáticas, con límites de cuota a nivel de espacio de trabajo y de recursos y apagado automático.

CONTACTAR CON DQS/