在近期的Ignite大会上,Microsoft发布了多个与人工智能服务及工具相关的更新,其中包括发布Azure ML Experimentation服务、Azure ML Model Management服务、Azure ML Workbench以及Microsoft Cognitive Services的通常可用版(GA)。html
Microsoft的机器学习平台业已获得了至关可观的采用,可是在服务中也发现了一些问题。Microsoft的高级项目经理(Group Program Manager)Matt Winkler给出了这样的解释:
咱们已经部署了成百上千的模型,服务了数十亿次的请求。虽然咱们只作了数年,可是已经开始看到一些常常性模式。客户告诉咱们他们喜欢这种便捷性,但也提出他们须要对计算和数据具备更大的控制,为模型部署提供更多的选项。客户对框架也有着很是多样化的需求,并但愿对模型具备同等程度的管理和部署能力。框架
这次新发布的功能,有望经过在模型的开发和部署方式为客户提供更多控制,解决客户感觉到的这些不足之处。机器学习
Azure ML Experimentation服务工具
Azure ML Experimentation服务使用了基于Git的检查点和版本控制机制,管理项目依赖和对任务的训练操做,不管这些任务是本地执行的,仍是以横向或纵向扩展方式执行的。此外,数据科学家也能够选择使用他们本身的框架,例如TensorFlow、Microsfot CNTK和SparkML等。他们也能够选择本身喜欢的开发工具,例如Microsfot Code、Visual Studio、Jupyter和PyCharm等。该服务还捕获服务端运行的度量、输出日志和模型。性能
Azure ML Model Management服务学习
Azure ML Model Management服务为客户提供了灵活控制模型部署位置的能力。客户可使用Docker在本地(On-Premise)或云中部署模型,并具备充分的可移植性。开发工具
模型的部署和管理是经过HTTP终端实现的。客户可以使用Application Insights监控并洞悉模型的性能。该服务对SparkML、Python、Cognitive Toolkit、TF和R提供了最好的支持,还可经过扩展支持Caffe和MXnet等其它一些工具。人工智能
Azure ML Workbench版本控制
Azure ML Workbench是一种用在Windows和Mac OS X上的人工智能开发工具,其中包括彻底的Python和Jupyter环境设置,并嵌入了IPython Notebook。它还提供全面的运行历史,并提供对实验对比的体验。Microsoft还在其中添加了数据整理(Data Wrangling)工具,简化了将数据导入到数据科学实验中的体验。数据整理能力包括数据采样和数据理解,进而在数据上执行转换。上述功能是经过使用PROSE(Program Synthesis Using Examples,一种经过示例准备数据的技术)提供的。日志
Microsoft Cognitive服务
Microsoft还宣布了升级了Cognitive Services平台,其中提供Text Analytics服务的通常可用版(GA)。Text Analytics服务支持开发人员作情感分析,以及从文本中检测关键短语、话题和语言。