Azure 机器学习和 DataRobot 联手加速生成式和预测性 AI 的价值
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。
“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。
Azure 机器学习和 DataRobot 集成入门
- 查看我们的快速入门文档
- 指导视频:将 DataRobot 模型部署到 AzureML
- 使用 Azure Marketplace 购买 DataRobot,创建 Azure 机器学习资源,然后开始你的旅程
- 原文作者:BeanHsiang
- 原文链接:https://beanhsiang.github.io/post/2024-01-03-azure-machine-learning-and-datarobot-team-up-to-accelerate-value/
- 版权声明:本作品采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议. 进行许可,非商业转载请注明出处(作者,原文链接),商业转载请联系作者获得授权。