Was ist Machine Learning?What is machine learning?

Machine Learning ist ein Data Science-Verfahren, mit dem Computer aus vorhandenen Daten lernen können, um zukünftiges Verhalten, Ergebnisse und Trends vorherzusagen.Machine learning is a data science technique that allows computers to use existing data to forecast future behaviors, outcomes, and trends. Durch den Einsatz von maschinellem Lernen können Computer lernen, ohne konkret programmiert worden zu sein.By using machine learning, computers learn without being explicitly programmed. Von Tools für maschinelles Lernen werden KI-Systeme verwendet, die die Identifizierung von Mustern sowie Assoziationen auf der Grundlage der Erfahrung mit den Daten ermöglichen.Machine learning tools use AI systems which provide the ability to identify patterns and create associations from experience with the data.

Vorhersagen oder Prognosen durch automatisiertes maschinelles Lernen können Anwendungen und Geräte intelligenter machen.Automated machine learning forecasts or predictions can make applications and devices smarter. Wenn Sie beispielsweise online einkaufen, trägt maschinelles Lernen dazu bei, dass Ihnen anhand der gekauften Produkte weitere Produkte empfohlen werden, die Ihnen gefallen könnten.For example, when you shop online, machine learning helps recommend other products you might want based on what you've bought. Ein weiteres Beispiel ist die Nutzung Ihrer Kreditkarte. Dabei wird mithilfe von maschinellem Lernen die Transaktion mit einer Transaktionsdatenbank verglichen, wodurch Betrugsfälle erkannt werden können.Or when your credit card is swiped, machine learning compares the transaction to a database of transactions and helps detect fraud. Auch wenn ein automatischer Staubsauger ein Zimmer saugt, wird mit maschinellem Lernen entschieden, ob die Arbeit erledigt ist.And when your robot vacuum cleaner vacuums a room, machine learning helps it decide whether the job is done.

Passende Machine Learning-Tools für alle AufgabenMachine learning tools to fit each task

Azure Machine Learning verfügt über alle Tools, die Entwickler und Data Scientists für ihre Machine Learning-Workflows benötigen, z. B.:Azure Machine Learning provides all the tools developers and data scientists need for their machine learning workflows, including:

Sie können sogar MLflow zum Nachverfolgen von Metriken und Bereitstellen von Modellen oder Kubeflow zum Erstellen von End-to-End-Workflowpipelines verwenden.You can even use MLflow to track metrics and deploy models or kubeflow to build end-to-end workflow pipelines.

Erstellen von Machine Learning-Modellen in Python oder RBuild machine learning models in Python or R

Beginnen Sie auf Ihrem lokalen Computer mit dem Azure Machine Learning Python SDK oder dem R SDK mit dem Training.Start training on your local machine using the Azure Machine Learning Python SDK or R SDK. Anschließend können Sie in die Cloud aufskalieren.Then, you can scale out to the cloud. Dank zahlreicher verfügbarer Computeziele wie Azure Machine Learning-Compute und Azure Databricks sowie Diensten für die erweiterte Hyperparameteroptimierung können Sie mithilfe der Cloud schneller bessere Modelle erstellen.With many available compute targets, like Azure Machine Learning compute and Azure Databricks, and with advanced hyperparameter tuning services, you can build better models faster by using the power of the cloud. Mit dem SDK können Sie auch Modelltraining und -optimierung automatisieren.You can also automate model training and tuning using the SDK.

Erstellen von Machine Learning-Modellen mit Tools ohne CodeBuild machine learning models with no-code tools

Optionen für Training und Bereitstellung ohne oder mit nur wenig Code:For code-free or low-code training and deployment, try:

  • Azure Machine Learning-Designer (Vorschauversion)Azure Machine Learning designer (preview)

    Verwenden Sie den Designer zum Aufbereiten von Daten, Trainieren, Testen, Bereitstellen, Verwalten und Nachverfolgen von Machine Learning-Modellen, ohne Code schreiben zu müssen.Use the designer to prep data, train, test, deploy, manage, and track machine learning models without writing any code. Für das Erstellen Ihres Modells ist keine Programmierung erforderlich, sondern einfach nur das visuelle Verbinden von Datasets und Modulen.There is no programming required, you visually connect datasets and modules to construct your model. Probieren Sie das Tutorial zum Designer aus.Try out the designer tutorial.

    Weitere Informationen finden Sie im Übersichtsartikel über den Azure Machine Learning-Designer.Learn more in the Azure Machine Learning designer overview article.

  • Benutzeroberfläche für automatisiertes maschinelles Lernen (AutoML)Automated machine learning (AutoML) UI

    Erfahren Sie, wie Sie auf der benutzerfreundlichen Oberfläche AutoML-Experimente erstellen.Learn how to create AutoML experiments in the easy-to-use interface.

MLOps: Bereitstellung und LebenszyklusverwaltungMLOps: Deploy and lifecycle management

MLOps (Machine Learning Operations) basiert auf DevOps-Prinzipien und -Methoden, die die Effizienz von Workflows erhöhen.Machine learning operations (MLOps) is based on DevOps principles and practices that increase the efficiency of workflows. Beispiele sind Continuous Integration, Continuous Delivery und Continuous Deployment.For example, continuous integration, delivery, and deployment. MLOps wendet diese Prinzipien auf den Machine Learning-Prozess mit folgendem Ziel an:MLOps applies these principles to the machine learning process, with the goal of:

  • Schnelleres Experimentieren und Entwickeln von ModellenFaster experimentation and development of models
  • Schnellere Bereitstellung von Modellen in der ProduktionsumgebungFaster deployment of models into production
  • QualitätssicherungQuality assurance

Wenn Sie das richtige Modell haben, können Sie es ganz einfach in einem Webdienst, auf einem IoT-Gerät oder in Power BI verwenden.When you have the right model, you can easily use it in a web service, on an IoT device, or from Power BI. Weitere Informationen finden Sie unter Bereitstellen von Modellen mit Azure Machine Learning.For more information, see Deploy models with Azure Machine Learning.

Anschließend können Sie Ihre bereitgestellten Modelle verwalten, indem Sie das Azure Machine Learning SDK für Python, Azure Machine Learning Studio oder die Machine Learning-CLI verwenden.Then you can manage your deployed models by using the Azure Machine Learning SDK for Python, Azure Machine Learning studio, or the Machine learning CLI.

Diese Modelle können genutzt werden, um Prognosen in Echtzeit oder asynchron für große Datenmengen zurückzugeben.These models can be consumed and return predictions in Real time or asynchronously on large quantities of data.

Und dank fortschrittlicherMachine Learning-Pipelines können Sie bei jedem einzelnen Schritt – von der Datenaufbereitung über Training und Bewertung von Modellen bis hin zur Bereitstellung – zusammenarbeiten.And with advanced machine learning pipelines, you can collaborate on each step from data preparation, model training and evaluation, through deployment. Pipelines ermöglichen Folgendes:Pipelines allow you to:

  • Automatisieren des End-to-End-Prozesses für maschinelles Lernen in der CloudAutomate the end-to-end machine learning process in the cloud
  • Wiederverwenden von Komponenten und Wiederholen von Schritten nur bei BedarfReuse components and only rerun steps when needed
  • Verwenden verschiedener Computeressourcen in jedem SchrittUse different compute resources in each step
  • Ausführen von BatchbewertungsaufgabenRun batch scoring tasks

Falls Sie Skripts zum Automatisieren Ihres Machine Learning-Workflows nutzen möchten, helfen Ihnen die Befehlszeilentools der Machine Learning-CLI weiter. Hiermit können häufige Aufgaben erledigt werden, z. B. das Übermitteln einer Trainingsausführung oder das Bereitstellen eines Modells.If you want to use scripts to automate your machine learning workflow, the Machine learning CLI provides command-line tools that perform common tasks, such as submitting a training run or deploying a model.

Informationen zu den ersten Schritten mit Azure Machine Learning finden Sie hier.To get started using Azure Machine Learning, see Next steps.

Automatisiertes maschinelles LernenAutomated Machine Learning

Data Scientists verbringen einen Großteil ihrer Zeit mit dem Durchlaufen von Modellen während der Experimentierphase.Data scientists spend an inordinate amount of time iterating over models during the experimentation phase. Der gesamte Prozess des Ausprobierens verschiedener Kombinationen aus Algorithmen und Hyperparametern, bis ein akzeptables Modell erstellt wurde, ist aufgrund der monotonen und nicht sehr anspruchsvollen Arbeit äußerst anstrengend für Data Scientists.The whole process of trying out different algorithms and hyperparameter combinations until an acceptable model is built is extremely taxing for data scientists, due to the monotonous and non-challenging nature of work. Durch diese Übung können zwar im Hinblick auf die Modellwirksamkeit riesige Gewinne erzielt werden, sie ist jedoch manchmal zu zeit- und ressourcenaufwendig und kann dadurch eine negative Rendite (ROI) nach sich ziehen.While this is an exercise that yields massive gains in terms of the model efficacy, it sometimes costs too much in terms of time and resources and thus may have a negative return on investment (ROI).

Hier kommt automatisiertes maschinelles Lernen (AutoML) ins Spiel.This is where automated machine learning (AutoML) comes in. Dabei werden die Konzepte aus dem Forschungsergebnis zur probabilistischen Matrixfaktorisierung genutzt und eine automatisierte Pipeline implementiert, mit der intelligent ausgewählte Algorithmen und Hyperparametereinstellungen basierend auf der Heuristik der vorgelegten Daten und unter Berücksichtigung des jeweiligen Problems oder Szenarios ausprobiert werden.It uses the concepts from the research paper on probabilistic matrix factorization and implements an automated pipeline of trying out intelligently-selected algorithms and hypermeter settings, based on the heuristics of the data presented, keeping into consideration the given problem or scenario. Das Ergebnis dieser Pipeline ist ein Satz von Modellen, die für das jeweilige Problem und Dataset am besten geeignet sind.The result of this pipeline is a set of models that are best suited for the given problem and dataset.

Weitere Informationen zu AutoML finden Sie unter AutoML und MLOps mit Azure Machine Learning.For more information on AutoML, see AutoML and MLOps with Azure Machine Learning.

Verantwortungsvolles maschinelles LernenResponsible ML

Während der gesamten Entwicklung und Nutzung von KI-Systemen muss Vertrauen im Mittelpunkt stehen.Throughout the development and use of AI systems, trust must be at the core. Vertrauen in die Plattform, den Prozess und die Modelle.Trust in the platform, process, and models. Da KI und autonome Systeme immer stärker in unsere Gesellschaft integriert werden, ist es wichtig, proaktiv Maßnahmen zu ergreifen, um den unbeabsichtigten Folgen dieser Technologien vorzugreifen und sie zu beheben.As AI and autonomous systems integrate more into the fabric of society, it's important to proactively make an effort to anticipate and mitigate the unintended consequences of these technologies.

  • Verstehen Sie Ihre Modelle, und bauen Sie auf Fairness: Erläutern Sie das Modellverhalten, und legen Sie Features frei, die die größten Auswirkungen auf Vorhersagen haben.Understand your models and build for fairness: Explain model behavior and uncover features that have the most impact on predictions. Verwenden Sie die integrierten Erläuterungen für transparente und intransparente Modelle beim Modelltraining und dem Ziehen von Rückschlüssen.Use built-in explainers for both glass-box and black-box models during model training and inference. Verwenden Sie interaktive Visualisierungen zum Vergleichen von Modellen, und führen Sie Was-wäre-wenn-Analysen durch, um die Modellgenauigkeit zu verbessern.Use interactive visualizations to compare models and perform what-if analysis to improve model accuracy. Testen Sie Ihre Modelle mit hochmodernen Algorithmen auf Fairness.Test your models for fairness using state-of-the-art algorithms. Verringern Sie Unfairness im gesamten Lebenszyklus des maschinellen Lernens, vergleichen Sie die angepassten Modelle, und gehen Sie bewusst Kompromisse zwischen Fairness und Genauigkeit ein.Mitigate unfairness throughout the machine learning lifecycle, compare mitigated models, and make intentional fairness versus accuracy trade-offs as desired.
  • Schützen Sie die Privatsphäre und Vertraulichkeit: Erstellen Sie Modelle, die dies mit den neuesten Innovationen im differenziellen Datenschutz gewährleisten, bei dem in Daten genau abgestimmtes statistisches Datenrauschen eingefügt wird, um die Offenlegung vertraulicher Informationen einzuschränken.Protect data privacy and confidentiality: Build models that preserve privacy using the latest innovations in differential privacy, which injects precise levels of statistical noise in data to limit the disclosure of sensitive information. Erkennen Sie Datenverluste, und begrenzen Sie auf intelligente Weise wiederholte Abfragen, um das Risiko der Offenlegung gering zu halten.Identify data leaks and intelligently limit repeat queries to manage exposure risk. Verwenden Sie Verschlüsselung und Techniken für vertrauliches maschinelles Lernen (demnächst verfügbar), die speziell entwickelt wurden, um Modelle mit vertraulichen Daten mithilfe von maschinellem Lernen sicher zu erstellen.Use encryption and confidential machine learning (coming soon) techniques specifically designed for machine learning to securely build models using confidential data.
  • Steuern Sie jeden Schritt des maschinellen Lernens: Greifen Sie auf integrierte Funktionen zu, um automatisch die Herkunft nachzuverfolgen und einen Audit-Trail für den gesamten Lebenszyklus des maschinellen Lernens zu schaffen.Control and govern through every step of the machine learning process: Access built-in capabilities to automatically track lineage and create an audit trial across the machine learning lifecycle. Verschaffen Sie sich durch Nachverfolgung von Datasets, Modellen, Experimenten, Code u. v. m. umfassende Einblicke in das Verfahren des maschinellen Lernens.Obtain full visibility into the machine learning process by tracking datasets, models, experiments, code, and more. Verwenden Sie benutzerdefinierte Tags, um Modelldatenblätter zu implementieren, Metadaten für wichtige Modelle zu dokumentieren, die Verantwortlichkeit zu erhöhen und einen verantwortungsbewussten Ablauf zu gewährleisten.Use custom tags to implement model data sheets, document key model metadata, increase accountability, and ensure responsible process.

Erfahren Sie mehr über die Implementierung von verantwortlichem ML.Learn more about how to implement Responsible ML.

Integration in andere DiensteIntegration with other services

Azure Machine Learning funktioniert mit anderen Diensten der Azure-Plattform und lässt sich auch in Open-Source-Tools wie Git und MLflow integrieren.Azure Machine Learning works with other services on the Azure platform, and also integrates with open-source tools such as Git and MLflow.

Nächste SchritteNext steps