Azure 机器学习 （AzureML） 与价值驱动 AI 领导者 DataRobot 之间的突破性集成，这是最近宣布的合作伙伴关系的结果。这种集成将 Azure 机器学习功能的强大功能与 DataRobot 在加速构建、部署和监视企业级 AI 解决方案的整个生命周期方面的专业知识结合在一起。

DataRobot AI 平台独特地将生成式和预测性 AI 功能结合在一个统一、开放和端到端的环境中。通过新的集成，DataRobot AI 平台现在可以轻松地直接在 Azure Kubernetes 服务 （AKS） 上运行。数据科学家现在可以在 DataRobot Notebooks Code-Assist 中利用 Azure OpenAI 服务的强大功能。他们还可以通过 Azure 机器学习托管的联机终结点为实时和批处理用例部署模型，同时在 DataRobot 中监视这些部署。

这意味着，对于同时拥有 DataRobot 和 AzureML 客户的组织来说，新的集成提供了简化的工作流。希望在 DataRobot 中创建模型的团队可以利用无与伦比的生成式 AI 帮助。这提高了生产力和性能，并且可以针对特定的业务用例进行定制。模型准备就绪后，可以部署它以在 Azure 机器学习上进行推理。使用托管的在线端点，数据科学家可以使用蓝/绿部署轻松测试或交换模型。此外，强大的监控功能可识别过时的模型，防止业务风险。

DataRobot 首席产品官 Venky Veeraraghavan 表示：“Azure 机器学习和 DataRobot 集成使数据团队能够加速 AI 在企业中的采用和价值实现。“现在比以往任何时候都更容易将您的模型从概念转化为部署，并协作使用代码和无代码方法，同时还受益于高级治理和监控功能。”

快速跟踪您的 AI 计划

数据科学家依靠 Azure 机器学习提供广泛的工具集来生成和部署模型，但可能希望在协作 AI 平台和生成式 AI 的帮助下加速重要计划，帮助他们更快地试验和测试模型。ML 工程师可能希望通过托管在线端点的灵活性，为其部署带来额外的可观察性、偏差和自定义指标。通过新的集成，对于从业者来说，模型实验和部署都变得更加简化。它允许数据科学家使用 AKS 集成附带的规模和数据治理快速迭代 DataRobot 中的模型，只需单击一下即可部署到托管在线终结点，然后使用 DataRobot 提供与蓝/绿部署集成的机器学习可观测性，无论是在线使用还是批处理使用。

image

“DataRobot 和 Azure 机器学习是成功的机器学习模型生命周期的关键和互补解决方案，”Microsoft Azure AI 副总裁 Ali Dalloul 说。“通过利用 IT 和业务用户的优势，这种集成扩展了 Azure 机器学习的功能，并为组织扩展模型部署和开发创造了新的机会，同时优先考虑治理。”

从数据到部署和生成式 AI：集成中的新增功能

数据科学家现在可以使用他们喜欢的创作体验和框架，在 Azure 机器学习之上的 DataRobot 中构建和训练他们的模型。准备好获取反馈或将模型推送到生产环境后，数据科学家将使用 Azure 机器学习中的托管联机终结点功能部署其模型。通过与 Azure OpenAI 的预览版集成，他们可以利用尖端的 LLM 来帮助编写代码，以快速更新其模型或处理新的用例。

该集成支持在一个工作流中无缝使用 Azure 和 DataRobot 的最佳功能：

  • 使用 Azure 机器学习管道从 Azure Data Lake Storage Gen2 和 Microsoft Fabric 中的源组织和准备数据。
  • 将 DataRobot 与 Azure 数据源链接，以实现无缝数据集成。
  • 在 DataRobot 上试验和构建模型，无论是通过其托管的笔记本还是通过其用户界面，所有这些都在 Azure Kubernetes 服务上运行。
  • 使用 DataRobot 的托管笔记本进行实验时，您可以利用 OpenAI 的代码辅助功能。这提供了对话提示，可自动生成用于数据准备、见解收集和优化等任务的 Python 代码。
  • 使用评分代码将经过训练的模型部署到使用蓝/绿和流量调整功能的 Azure 机器学习托管联机终结点。
  • 使用 DataRobot 自动执行 DataRobot 和 Azure 模型的模型符合性文档 在 DataRobot 中监控和管理随时间推移的漂移、准确性、偏差和业务 KPI 的用例。

例如，在客户流失方案中，数据科学家可以与业务专家合作，使用 Microsoft Fabric 和 Azure 机器学习组织数据，并定义流失对一组给定客户意味着什么。然后，他们可以将其导入 DataRobot，并使用代码优先或低代码选项来快速分析业务问题，并使用深度学习、开源和专有模型等最佳方法构建透明且准确的模型，包括开箱即用的图形来评估模型并从中获取见解。找到正确的模型后，可以与内部利益干系人（如模型风险经理）协作，以验证此模型并获得部署批准，然后再将其设置在托管终结点后面。在测试并与业务流程集成后，例如构建 Azure 机器学习管道以将模型连接到企业 CRM 系统，他们可以使用 DataRobot 对其进行操作并实时监控性能。

image

Azure 机器学习和 DataRobot 集成入门