Azure Machine Learning ist ein aktiver Cloud-Dienst von Microsoft für die Entwicklung und den Betrieb von Machine-Learning-Modellen. Er unterstützt Training, Bereitstellung und wiederkehrende Modellierungsabläufe. Das Angebot ist von anderen Azure-KI-Produkten und von früheren Studio-Versionen zu unterscheiden.
Stand: 27. Oktober 2026. Für neue Projekte sollten aktuelle Anleitungen und Schnittstellen verwendet werden. Das Ende des Supports einer älteren Schnittstelle bedeutet nicht, dass der gesamte Cloud-Dienst eingestellt wurde.
Was Azure Machine Learning bereitstellt
Die aktuelle Übersicht nennt Werkzeuge zum Training eigener Modelle und zur Nutzung von Modellen aus verbreiteten Frameworks. Hinzu kommen Funktionen für Machine Learning Operations, etwa Überwachung und erneute Bereitstellung. Die Bedienung kann über Azure Machine Learning studio, das Python-SDK, die Kommandozeile oder Programmierschnittstellen erfolgen.
Das ist kein einzelnes fertiges Prognosemodell für jede Branche. Ihr Team muss Daten, Zielgröße, Bewertungsmaß und den späteren Einsatzfall festlegen. Eine Cloud-Umgebung übernimmt diese fachlichen Entscheidungen nicht automatisch.
Aktueller Dienst und ältere Schnittstellen
Microsoft unterscheidet v1 und v2 der Client-Schnittstellen. Diese Bezeichnungen meinen APIs, SDK und CLI-Erweiterung, nicht zwei getrennte Versionen des Azure-Machine-Learning-Dienstes. Die offizielle Anleitung empfiehlt v2 für neue Arbeitsabläufe.
Der Support für CLI v1 endete am 30. September 2025; für SDK v1 endete er am 30. Juni 2026. Laut Microsoft können bestehende v1-Abläufe danach weiter funktionieren, werden aber nicht mehr entsprechend unterstützt. Prüfen Sie alte Beispiele deshalb auf ihre verwendeten Pakete und Schnittstellen.
Das frühere Machine Learning Studio classic wurde bereits 2024 eingestellt. Verwechseln Sie alte Classic-Anleitungen nicht mit der aktuellen Studio-Oberfläche von Azure Machine Learning.
Daten, Experimente und Modellfassung prüfen
Legen Sie fest, welche Daten beim späteren Vorhersagezeitpunkt verfügbar sind. Trennen Sie Training und Bewertung passend zur Aufgabe und kontrollieren Sie wichtige Fehlerfälle. Eine gute Kennzahl aus einem Experiment ist noch keine Zusage für die Qualität im späteren Betrieb.
Halten Sie Datenstand, verwendete Umgebung, Parameter und Modellfassung zusammen fest. Bei einer Übergabe muss erkennbar sein, welches Modell mit welchen Eingaben getestet und tatsächlich bereitgestellt wurde.
Bereitstellung und laufender Betrieb
Für eine Anwendung braucht es zusätzlich zum trainierten Modell einen passenden Ausführungsablauf. Klären Sie Eingabeformat, Antwortverarbeitung und Zuständigkeiten für Fehler. Prüfen Sie nach Änderungen erneut typische Fälle und beobachten Sie Veränderungen der verwendeten Daten.
Ein technisch erreichbarer Endpunkt und fachlich brauchbare Vorhersagen sind unterschiedliche Ergebnisse. Planen Sie beides ein, bevor ein Modell als Bestandteil eines dauerhaften Geschäftsprozesses eingesetzt wird.
Kosten und Zugang
Azure Machine Learning ist Teil der Azure-Cloud. Prüfen Sie ein benötigtes Abonnement, Berechtigungen, Rechenressourcen und angrenzende Dienste am konkreten Angebot. Ein Testguthaben ist keine Zusage für einen dauerhaft kostenlosen Betrieb.
Vergleichen Sie Training und spätere Ausführung getrennt. Auch gespeicherte Daten und laufende Ressourcen gehören in die Planung. Wählen Sie einen begrenzten Pilot, bevor Sie einen dauerhaft betriebenen Ablauf kalkulieren.
Quellen
Geprüft wurden die offiziellen Microsoft-Seiten Azure Machine Learning im Überblick, Umstieg von v1 auf v2 und Lebenszyklus von Studio classic. Ein eigener Modellbenchmark wurde nicht durchgeführt.
