如今的企业正以快速的速度采用人工智能（AI），以保持领先于竞争对手、提供创新、改善客户体验和增加收入。人工智能和机器学习应用正迎来一个跨行业转型的新时代，从技能到规模、效率、运营和治理。Microsoft Azure Machine Learning提供了企业级的功能来加快机器学习的生命周期，并使所有技能级别的开发人员和数据科学家能够负责任地大规模地构建、培训、部署和管理模型。在Microsoft Ignite上，我们宣布了Azure机器学习在以下领域的一系列重大进步：新的studio web体验提高了所有技能级别的开发人员和数据科学家的机器学习效率，具有灵活的创作选项，从无代码拖放和自动机器学习到代码优先开发。新的业界领先的机器学习操作（MLOps）功能可管理机器学习生命周期，使数据科学和IT团队能够更快地进行创新。新的开放性和互操作性功能，提供了选择和灵活性，支持R、azuresynapse分析、Azure开放数据集、ONNX和其他流行的框架、语言和工具。新的安全和治理功能包括基于角色的访问控制（RBAC）、Azure虚拟网络（VNet）、容量管理和最先进的负责任人工智能解释能力和公平性功能。让我们深入了解这些公告，看看Azure机器学习是如何帮助个人、团队和组织实现并超越业务目标的。为所有技能级别提供机器学习并提高生产率"通过使用Azure机器学习自动化ML改进预测，我们可以减少浪费，并确保比萨饼为我们的客户做好准备。这将减少我们的运营商的猜测，让他们花更多的时间专注于商店运营的其他方面。商店经营者不去猜测有多少比萨饼可以准备好，而是把重点放在确保每一个顾客体验都是非常好的。"—小凯撒比萨公司首席执行官安妮塔·克洛芬斯坦（Anita Klopfenstein）。新的studio web体验（目前正在预览中）使所有技能级别的数据科学家和数据工程师能够无缝地完成端到端的机器学习任务，包括数据准备、模型培训、部署和管理。根据您的技能和偏好从三种不同的创作选项中选择无需代码拖放设计器、自动机器学习或代码优先的笔记本体验。从一个位置访问Azure机器学习资产（包括数据集和模型）和丰富的功能（包括数据漂移、监视、标记等）。 工作室网络体验Designer（目前正在预览）提供拖放工作流，以简化使用可视化体验构建、测试和部署机器学习模型的过程。我们鼓励目前使用经典版Azure Machine Learning Studio的客户尝试Designer，这样他们就可以从Azure Machine Learning的规模和安全性中获益。自动机器学习用户界面（目前正在预览中）帮助数据科学家构建模型，而无需编写一行代码。自动执行功能工程、算法选择和超参数扫描等时间密集型任务，然后只需单击几下按钮即可操作模型。笔记本电脑（目前正在预览中）是一个完全管理的解决方案，供开发人员和数据科学家轻松开始机器学习，预先配置的自定义环境消除了设置时间，同时为IT管理员提供了管理和企业准备能力。新数据标签（当前正在预览中）。高质量的标记数据对于创建高精度的监督学习模型至关重要。现在，团队可以从密集的数据标签管理过程中获得无缝的数据标签管理经验。支持的标记任务包括目标检测、多类图像分类和多标签图像分类。与业界领先的MLOP一起大规模运营Azure机器学习功能内置MLOps功能，用于企业级机器学习生命周期管理，使数据科学和IT团队能够协作并加快模型开发和部署的速度。"TransLink能够利用Azure机器学习中的mlop来构建和管理模型，并在生产中部署它们。这创造了更高的效率和透明度，因为我们将16000多个机器学习模型从试点转移到生产。最终，TransLink的客户受益于预计和实际公交车发车时间之间的74%的改善，因此他们可以更好地规划他们在TransLink公交网络上的行程。"—TransLink分析与发展总监吴仕文（Sze Wan Ng）。建立可复制模型和实现机器学习治理和控制的新更新数据集帮助数据科学家和机器学习工程师轻松访问来自许多Azure存储服务的数据，快速应用数据集，跨任务高效地重用它们，并自动跟踪数据沿袭。丰富的数据集和模型注册表有助于跟踪资产和信息，从而有效地操作模型，并简化从培训到推断的工作流。版本控制有助于跟踪和管理资产，提供增强的可追溯性，并支持创建可复制的管道，以实现一致的模型交付。审计跟踪功能确保资产完整性，并提供控制日志以帮助满足监管要求。新的更新可以方便地部署模型并有效地管理机器学习生命周期批处理推理通过对万亿字节的结构化或非结构化数据生成预测，有助于提高生产率并降低成本。受控转出允许在一个共同的评分端点下部署不同的模型版本，以便实现复杂的部署管道和自信地发布模型。数据漂移监视通过检测模型性能问题（随时间推移模型输入数据的更改）来帮助保持模型的准确性。漂移分析包括漂移量、特征贡献和其他见解，以便采取适当的措施，包括重新训练模型。 数据漂移监测利用开放和互操作能力进行创新有了Azure机器学习，开发人员和数据科学家可以访问对开源工具和框架的内置支持，比如PyTorch、TensorFlow和scikit learn，或者开放和可互操作的ONNX格式。我们现在支持开放式神经网络交换（ONNX），表示机器学习的开放标准。在新的v1.0版本中，ONNX运行时提供了稳定的pythonapi，可以在CPU和GPU上用于Azure机器学习。新的基于R的功能使数据科学家能够在Azure机器学习上运行R作业，然后将R模型作为web服务进行管理和部署。数据科学家可以选择自己选择的开发环境，一键访问rstudioserver（开源版）或Jupyter的浏览器集成开发（IDE）。Azure Synapse Analytics现在与Azure Machine Learning深度集成，极大地扩展了从所有数据中发现见解的范围，并将机器学习模型应用到智能应用程序中。Azure开放式数据集现在已经普遍可用，并提供托管在Azure上的管理数据集，并且可以从Azure机器学习工作区轻松访问，以加快模型培训。目前已有超过25个数据集，包括社会经济数据、卫星图像等。新的数据集正在不断添加，您可以向Azure指定其他数据集。建立在安全的基础上"通过Azure机器学习，我们的数据科学家团队可以在行业标准信任和合规性支持的环境中工作。因此，我们可以将重点放在关键的基础设施上，如Carrbany和Golvnet，以确保我们的企业级团队的生产能力，而不是像Carrbany那样，将重点放在关键的基础设施管理上，而不是像Carrbany这样的企业级团队。安全和企业就绪更新工作区容量管理（当前处于预览版）可帮助管理员跨订阅内的工作区和群集查看计算使用情况，以实现高效的资源分配。可以设置容量限制以重新分配用于容量管理和治理的资源。基于角色的访问控制（RBAC）（预览版）有助于为细粒度访问控制定义自定义角色，并支持高级安全场景。虚拟网络（VNet）（预览版）提供了一个安全边界，用于隔离计算资源，用于在通过推断运行实验时训练和部署模型。公平性：除了Azure机器学习中支持透明性和模型理解的模型可解释性之外，数据科学家和开发人员现在可以利用新的开源公平性评估和缓解工具Fairlearn。这个工具通过一组直观和可配置的可视化帮助组织发现模型预测中的公平性。 公平特性见解今天就开始建设我们很高兴为您带来这些功能，帮助您加快机器学习的生命周期，从新的生产力体验，使机器学习对所有技能水平，到强大的MLOP和企业级安全，建立在一个开放和可信的平台上。我们致力于在机器学习方面继续投资，以支持您的业务和应用程序，并帮助您用人工智能推动业务转型。开始免费试用Azure机器学习。使用新示例和教程了解更多信息。阅读所有来自Microsoft Ignite的Azure AI新闻。天蓝色。有目的地发明。