通过快速模型开发加快实现价值
通过支持机器学习任务的统一工作室体验提高生产力。使用对流行开源框架和库的内置支持，使用 Jupyter Notebook 构建、训练和部署模型。通过表格、文本和图像模型的自动化机器学习快速创建准确的模型。使用 Visual Studio Code 从本地训练无缝过渡到云训练，并通过由 NVIDIA Quantum-2 InfiniBand 平台提供支持的 Azure AI 基础设施进行自动扩展。
与 MLOps 协作并简化模型管理
使用 MLOps 简化多个环境中数千个模型的部署和管理。通过完全托管的端点更快地部署模型并对其进行评分，以进行批量和实时预测。使用可重复的管道来自动化工作流程，以实现持续集成和持续交付 (CI/CD)。使用注册表和托管功能存储在多个团队之间共享和发现机器学习工件，以实现跨工作空间协作。持续监控模型性能指标、检测数据漂移并触发重新训练以提高模型性能。
在混合平台上构建企业级解决方案
使用 Microsoft Purview 中的内置数据治理将安全性放在整个机器学习生命周期的首位。利用涵盖身份、数据、网络、监控和合规性的全面安全功能，所有这些功能均经过 Microsoft 测试和验证。使用基于角色的自定义访问控制、虚拟网络、数据加密、专用端点和专用 IP 地址来确保解决方案的安全。从本地到多云的任何地方训练和部署模型，以满足数据主权要求。使用内置策略并遵守 60 项认证（包括 FedRAMP High 和 HIPAA），充满信心地进行管理。
在整个生命周期中使用负责任的人工智能实践
使用可重复和自动化的工作流程评估机器学习模型，以评估模型的公平性、可解释性、错误分析、因果分析、模型性能和探索性数据分析。通过 Responsible AI 仪表板中的因果分析进行现实生活干预，并在部署时生成记分卡。为技术和非技术受众提供负责任的人工智能指标，以吸引利益相关者参与并简化合规审查。
