Azure ML
PulseAugur coverage of Azure ML — every cluster mentioning Azure ML across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
使用 Azure DevOps 在 Azure ML 上构建端到端 MLOps 管道
本文详细介绍了如何使用 Azure Machine Learning 和 Azure DevOps 构建一个全面的 MLOps 管道。它概述了用于测试、配置、训练和部署模型的四个关键管道，并提供了可重用代码以简化该过程。
-
MLOps架构从单个GPU服务多种LLM工作负载
本文详细介绍了一种实用的MLOps架构，该架构可从单个图形处理单元（GPU）高效地服务多种大型语言模型（LLM）工作负载。它概述了一个利用vLLM、按需LoRA适配器、ClickHouse、Azure ML和Azure Blob Storage的系统，以创建一个生产就绪的ML平台，而无需翻倍硬件资源。
-
Microsoft AI工具选择器引导用户选择Copilots或Azure ML
Microsoft推出了一款交互式决策树，旨在帮助用户确定最适合其特定需求的AI工具。该工具通过一系列问题引导个人，以确定他们是需要现成的Copilots、更具可定制性的用于代理创建的Copilot Studio，还是基于Azure ML构建的自定义模型。
-
使用 Azure ML 设置安全的 MLOps 环境
本文详细介绍了如何使用 Azure ML 基础设施建立一个安全的 MLOps 环境。它侧重于为研究人员设置强大的安全措施，涵盖从开发到部署的各个方面。该指南强调了在 Azure 生态系统中管理敏感数据和模型的最佳实践。
-
MLOps指南详细介绍自动化机器学习模型部署 · 已追踪4个来源
这一系列文章探讨了MLOps在将机器学习模型从实验阶段过渡到生产阶段的关键作用。文章强调了自动化、严谨性和纪律性的必要性，并与传统的软件工程实践进行了类比。Azure Machine Learning、GitHub Actions、Kubernetes、Docker和MLflow等特定工具和平台被讨论为简化这一过程和确保成功部署的关键组成部分。
-
2026年的AI采购必须要求提供商无关的基础设施，以避免被锁定
2026年采购AI解决方案的组织应优先考虑提供商无关的基础设施，以避免长期的巨额成本和技术限制。供应商锁定，例如一家初创公司在Amazon Bedrock上使用Anthropic模型的经历，可能导致数百万的许可溢价、迁移费用和性能停滞。多模型架构，能够集成GPT-4o和Mistral AI等不同模型，以及Google Vertex AI和Azure ML等不同平台，对于技术发展和成本效益至关重要。未来的RFP应强制要求支持标准化的模型…
-
Azure ML MLOps：部署、自动化和优化技术
此文章集详细介绍了 Azure ML 中的各种 MLOps 实践。它涵盖了使用具有蓝绿部署策略的托管在线终结点来部署和监控模型。此外，它还探讨了通过 OIDC 联合使用 GitHub Actions 自动化 ML 训练，以及利用 Azure ML CLI v2。文章还重点介绍了使用 Command 作业和 MLflow 自动日志记录来优化模型训练，以及使用 Azure ML AutoML 和 MLflow 跟踪来查找最佳分类模型。
-
MLflow、Hugging Face Hub、Azure ML 的 MLOps 对比
本文比较了三个流行的 MLOps 平台：MLflow、Hugging Face Hub 和 Azure ML。MLflow 提供了高度的灵活性但内置治理功能有限，适合需要精细控制的用户。Hugging Face Hub 在模型共享和社区功能方面表现出色，而 Azure ML 则为企业用户提供了强大的治理功能，是一个全面的集成解决方案。
-
探讨机器学习研究进展、系统设计模式及战略性问题选择
Eugene Yan 的系列文章探讨了在实际系统中应用机器学习的实用方面。他强调在实施机器学习之前，应先从启发式方法开始项目，设计模式对于高效的数据处理和系统维护的重要性，以及基于成本效益分析仔细选择问题的必要性。Yan 还详细介绍了部署机器学习模型后遇到的常见挑战，如数据污染和反馈循环，并提出了有效的项目管理和系统维护策略。