یادگیری ماشین
مایکروسافت، مانند بسیاری از رقبای خود، تمام تلاش خود را برای یادگیری ماشین به کار گرفته است. این تمرکز در کنفرانس Ignite این شرکت به طور کامل به نمایش گذاشته شد، جایی که این شرکت امروز تعدادی ابزار جدید برای توسعه دهندگان که می خواهند مدل‌های هوش مصنوعی جدیدی بسازند و کاربرانی که می‌خواهند از این مدل‌های از پیش موجود استفاده کنند – چه از تیم‌های خودشان یا از مایکروسافت – معرفی کرد.
برای توسعه دهندگان، این شرکت امروز سه ابزار اصلی جدید را راه‌اندازی کرد: سرویس Azure Machine Learning Experimentation، Azure Machine Learning Workbench و سرویس Azure Machine Learning Model Management. علاوه بر این، مایکروسافت همچنین مجموعه جدیدی از ابزارها را برای توسعه دهندگانی که می‌خواهند از IDE Visual Studio Code خود برای ساخت مدل با CNTK، TensorFlow، Theano، Keras و Caffe2 استفاده کنند، راه‌اندازی کرده است. و برای غیر توسعه دهندگان، مایکروسافت همچنین مدل‌های یادگیری ماشین مبتنی بر Azure را به کاربران اکسل ارائه می‌دهد که اکنون می‌توانند از توابع AI که دانشمندان داده شرکتشان ایجاد کرده‌اند، مستقیماً از صفحات گسترده خود فراخوانی کنند.
سرویس Experimentation تمام تلاش خود را برای کمک به توسعه دهندگان برای آموزش و استقرار سریع آزمایش‌های یادگیری ماشین به کار می‌گیرد. این سرویس از تمام چارچوب‌های منبع باز معمول (PyTorch، Caffe2، TensorFlow، Cahiner و CNTK خود مایکروسافت) پشتیبانی می‌کند و می‌تواند از دستگاه‌های محلی به صدها GPU در ابر مقیاس‌پذیر شود (به لطف استفاده از ظروف Docker و سرویس Azure Batch AI Training). این ابزارها همچنین از Apache Spark روی خوشه‌های Azure HDInsight پشتیبانی می‌کنند. این سرویس تمام مدل‌ها، پیکربندی‌ها و داده‌ها (با استفاده از مخازن Git) را پیگیری می‌کند تا به توسعه دهندگان نسخه کامل برای آزمایش‌های خود را ارائه دهد.
Machine Learning Workbench یک کلاینت دسکتاپ برای ویندوز و مک (و بله، در این دنیای جدید، برنامه‌های مک از مایکروسافت دیگر چیز بزرگی نیستند) است که به گفته مایکروسافت، “کنترل پنل برای چرخه عمر توسعه شما و یک راه عالی برای شروع استفاده از یادگیری ماشین” است. این برنامه دارای ادغام با Jupyter Notebooks و IDE هایی مانند Visual Studio Code و PyCharm است و به توسعه دهندگان امکان می‌دهد تا مدل‌هایی را در Python، PySpak و Scala بسازند. همانطور که جوزف سیروش مایکروسافت در اعلامیه امروز اشاره می‌کند، جالب‌ترین ویژگی این ابزار، می‌تواند توانایی تبدیل خودکار داده‌های شما باشد تا الگوریتم‌های یادگیری ماشین بتوانند با آن کار کنند.
مانند سرویس Experimentation، سرویس جدید Model Management از ظروف Docker برای کمک به توسعه دهندگان و دانشمندان داده برای استقرار و مدیریت مدل‌های خود در تقریباً هر جایی که یک ظرف Docker می‌تواند اجرا شود (از جمله سرویس Azure Container Service مبتنی بر Kubernetes خود مایکروسافت) استفاده می‌کند.
برداشت اصلی از این اعلامیه‌ها این است که مایکروسافت به گسترش جعبه ابزار خود برای توسعه دهندگانی که می‌خواهند برنامه‌های مبتنی بر یادگیری ماشین را بسازند – هم برای مشتریان داخلی و هم خارجی – ادامه می‌دهد. چیزی که در اینجا دیدن آن به طور ویژه خوب است این است که این ابزارها از طیف گسترده‌ای از چارچوب‌های غیر مایکروسافت پشتیبانی می‌کنند. چند سال پیش، این احتمالاً رویکرد این شرکت نبود، اما هر یک از این چارچوب‌ها دارای مزایا و معایب خاص خود است و خوشبختانه مایکروسافت متوجه شده است که تمرکز آن نباید روی حذف برخی چارچوب‌ها باشد، بلکه باید به ارائه پلتفرمی که از همه آن‌ها پشتیبانی می‌کند، باشد. پول در اینجا، در ارائه چارچوب‌های منبع باز نیست، بلکه در ارائه خدمات ابری است که توسعه دهندگان می‌خواهند برای آموزش، استقرار و مدیریت آن‌ها استفاده کنند.
