KI & AI

Azure Machine Learning

Overview

Azure Machine Learning ist ein Cloud-Dienst für den Lebenszyklus von Machine-Learning-Modellen: Daten vorbereiten, Modelle trainieren und bewerten, bereitstellen und überwachen. Zielgruppen sind Data Scientists, ML Engineers und Plattformteams, die eigene Modelle etwa für Prognosen, Qualitätsprüfung oder Klassifikation betreiben.

Abgrenzung: Microsoft Foundry ist Microsofts Plattform für generative KI, Agenten und den Modellkatalog, Foundry Tools liefern fertige KI-APIs. Azure Machine Learning steht für klassisches ML und eigenes Training, bietet aber ebenfalls Zugriff auf einen Modellkatalog mit Modellen von Azure OpenAI, Mistral, Meta, Cohere, NVIDIA und Hugging Face.

Wichtige Änderung: Prompt Flow wird in Foundry und Azure Machine Learning am 20. April 2027 eingestellt, Microsoft empfiehlt die Migration auf das Microsoft Agent Framework.

How it works

Zentrales Objekt ist der Workspace, der Daten, Compute, Experimente, Modelle und Endpunkte bündelt:

  1. Datenspeicher und Datenassets verbinden Storage, Data Lake oder Datenbanken und versionieren Datensätze.
  2. Compute-Instanzen dienen als Entwicklungsumgebung, Compute-Cluster und Serverless Compute skalieren Trainingsjobs, auch mit GPUs und verteilt über mehrere Knoten.
  3. Jobs und Pipelines trainieren Modelle mit Python SDK v2, CLI v2, Designer oder automatisiertem ML, MLflow protokolliert Metriken.
  4. Modelle werden in der Registry versioniert und über Managed Online Endpoints (Echtzeit) oder Batch-Endpunkte bereitgestellt, Traffic lässt sich zwischen Versionen aufteilen.
  5. MLOps verbindet das Ganze mit Git, GitHub Actions oder Azure DevOps, Zeitplänen und Event-Grid-Triggern.

Über Azure Arc lassen sich auch Kubernetes-Cluster vor Ort als Compute-Ziel einbinden. Responsible-AI-Dashboards unterstützen Fairness- und Erklärbarkeitsanalysen.

Benefits

  • Vollständiger Lebenszyklus: Von Daten bis Monitoring arbeitet das Team in einer Umgebung mit nachvollziehbarer Herkunft.
  • Skalierbares Training: Cluster starten nur für die Laufzeit eines Jobs und fahren danach auf null herunter.
  • Einfache Bereitstellung: Managed Endpoints nehmen Infrastruktur, Skalierung und Rollouts ab.
  • Reproduzierbarkeit: Versionierte Daten, Umgebungen und Modelle machen Ergebnisse überprüfbar, wichtig für Audits.
  • Integration in Azure-Sicherheit: Entra ID, Managed Identity, Private Link und Key Vault sind angebunden.

Practical example

Ein Hersteller von Industriepumpen mit 800 Mitarbeitenden will Ausfälle aus Sensordaten vorhersagen. Das Data-Science-Team trainiert in Azure Machine Learning auf einem GPU-Cluster ein Modell mit historischen Daten aus dem Data Lake und versioniert Daten und Modell. Der beste Kandidat läuft als Managed Online Endpoint, den eine Function bei jedem neuen Messpaket aufruft. Eine monatliche Pipeline trainiert das Modell mit neuen Daten nach und stellt es nur bereit, wenn die Qualitätsmetriken besser sind.

Things to keep in mind

  • Fahre Compute-Instanzen und Cluster nach Gebrauch herunter (Leerlaufabschaltung, Minimum null Knoten), sonst laufen Kosten weiter.
  • Beobachte die Kosten von Managed Endpoints, sie verursachen auch ohne Anfragen Kosten für die bereitgestellten Instanzen.
  • Migriere Lösungen mit Prompt Flow vor dem 20. April 2027 auf das Microsoft Agent Framework.
  • Isoliere den Workspace mit Managed VNet und Private Endpoints und greife per Managed Identity auf Daten zu.
  • Prüfe Trainingsdaten auf personenbezogene Inhalte und dokumentiere Herkunft und Zweck, auch mit Blick auf den EU AI Act.

Licensing & availability

Für Azure Machine Learning selbst fällt keine eigene Gebühr an, abgerechnet werden die genutzten Azure-Ressourcen: Compute (Instanzen, Cluster, Serverless, Endpunkte), Storage, Container Registry, Key Vault und Application Insights. Für die Kostenplanung gilt die Azure-Preisseite. Stand: Oktober 2026.

Conclusion

Azure Machine Learning ist die Basis für eigene, selbst trainierte Modelle in Azure. Für generative KI und Agenten prüfst Du zuerst Microsoft Foundry.

Further reading

Related articles