Azure Machine Learning 是什麼，為什麼我們該使用它？

Azure Machine Learning（下稱AML）是 Azure 上的機器學習服務，是一整套集成的平台。
你可以在這個平台上完成整個 AI 的專案，從資料的管理與清洗、到訓練模型、部署模型、管理模型、重新訓練與再部署、維運管理、團隊協作等等，整套 MLOps 的流程，都可以在 AML 上完成。

AML 是雲託管的服務，也是就是說我們不太需要去管理 infrastructure 的部份，可以專注在 AI 模型的開發。

以往我們在地端訓練模型，光是買 GPU 的設備就相當的不容易，尤其是在這個大挖礦時代，GPU 設備的價格更是水漲船高，甚至有錢也不一定買得到。

但是在 AML 上，你可以隨時打開 GPU 的設備，自己決定 GPU 的數量，並且只在你要 train 模型的時候收費。
就算很快就買到了 GPU 地端設備，你也要安裝開發環境，光是要安裝一個 CUDA ，就很有多版本的問題要解決。

然後還有 Python 環境的安裝、Notebook、Tensorflow、PyTorch等等安裝，都是一番功夫。
可是這些開發環境在 AML 上通通都幫你處理好了，你只要滑鼠點一點就可以產生你需要的開發環境。

地端設備還有另一個問題是，如果需要多人協作開發時怎麼辦？同一台 GPU 的資源要怎麼分配給不同的工程師、以避免工程師們打架？或者是多個 AI 專案同時在進行時，GPU 又該怎麼分配？如果是使用 AML 的話，計算資源的分配就可以很好的被解決了。

以上的作法都會後續的文章中提到。

Azure Machine Learning 和 Azure Machine Learning Studio 有什麼不一樣？ 

Azure Machine Learning Studio 是 Azure 上比較舊的服務，官方文件還會在後面加上個(classic)，用以和 Azure Machine Learning 做區分。

有時候也會看到 Azure Machine Learning Studio 用來指稱新版的 Azure Machine Learning，坦白說會讓人滿容易搞混的，因此我們來看看介面的圖片，就能分別出來了。

上方這個畫面是Classic版的。

上方這個畫面是新版的。

Azure Machine Learning Studio(classic) 在2021年的12月1號起就不能再建立新的專案，並在2024年就會停止支援了。而 classic 的圖形化做 AI 的功能，在 AML 裡還是有的。因此現在學習 AML 正是時候。

和 AWS Sagemaker 差別在哪裡呢？ 

AWS Sagemaker 可以說是 AML 的 counterpart。大部份能在 AML 上辦到的事情，在 Sagemaker 上也可以辦到。
我只玩過一點點的 Sagemaker 不便評論太多，不過最大的心得在於 AML 的介面太好看太容易操作了，你可以很直觀的去理解畫面上的功能可以做些什麼。
畢竟微軟當年會堀起，就是靠著 Windows 圖形化介面起家的 XDDD。

今天基本介紹完AML是什麼，明天就開始來講 AML Workspace 的建立啦！！