Comprendre les fonctionnalités d’Azure Machine Learning

  • 3 minutes

Microsoft Azure fournit le service Azure Machine Learning, une plateforme informatique permettant d’exécuter des essais à l’échelle pour former des modèles prédictifs à partir de données et publier les modèles formés en tant que services.

Diagramme conceptuel d’Azure Machine Learning avec les données utilisées dans une expérience pour l’apprentissage d’un modèle prédictif

Azure Machine Learning offre les fonctionnalités suivantes :

Fonctionnalité Utilité
Machine learning automatisé Cette fonctionnalité permet aux non-experts de créer rapidement un modèle Machine Learning efficace à partir de données.
Concepteur Azure Machine Learning Interface graphique permettant le développement sans code de solutions Machine Learning.
Gestion des données et des calculs Stockage de données dans le cloud et ressources de calcul que les scientifiques des données professionnels peuvent utiliser pour exécuter du code d’expérimentation de données à grande échelle.
Pipelines Les scientifiques des données, les ingénieurs logiciels et les professionnels des opérations informatiques peuvent définir des pipelines pour orchestrer les tâches d’entraînement, de déploiement et de gestion des modèles.

Les scientifiques des données peuvent utiliser Azure Machine Learning tout au long du cycle de vie du Machine Learning pour :

  • ingérer et préparer les données ;
  • effectuer des expériences afin d’explorer les données et former des modèles prédictifs ;
  • déployer et gérer des modèles formés en tant que services web.

Les ingénieurs logiciels peuvent interagir avec Azure Machine Learning des manières suivantes :

  • Utilisation de Machine Learning automatisé ou du concepteur Azure Machine Learning pour former des modèles Machine Learning et les déployer en tant que services pouvant être intégrés à des applications basées sur l’IA.
  • collaboration avec des scientifiques de données pour déployer des modèles basés sur des infrastructures courantes, telles que Scikit-Learn, PyTorch et TensorFlow, en tant que services web et de les utiliser dans des applications ;
  • utilisation de kits de développement logiciel (SDK) ou d’interfaces de ligne de commande (CLI) Azure Machine Learning pour orchestrer des processus DevOps qui gèrent le contrôle de version, le déploiement et les tests de modèles Machine Learning dans le cadre d’une solution globale de livraison d’application.

Notes

Pour plus d’informations, consultez Azure Machine Learning.