AI Studio nebo Azure Machine Learning: Které prostředí mám zvolit?
Tento článek vám pomůže pochopit, kdy používat Azure AI Studio a Azure Machine Learning. I když se některé funkce v jednotlivých prostředích překrývají, tento článek poskytuje přehled jejich možností a vývojových scénářů, které jsou pro každou platformu nejvhodnější.
Azure AI Studio
Azure AI Studio je jednotná platforma pro vývoj a nasazování aplikací generující umělé inteligence a rozhraní API Azure AI zodpovědně. Zahrnuje bohatou sadu funkcí umělé inteligence, zjednodušené uživatelské rozhraní a prostředí pro první kód a nabízí jednosmístné místo pro sestavování, testování, nasazování a správu inteligentních řešení.
Je pro vás AI Studio správné?
Azure AI Studio je navržené tak, aby vývojářům a datovým vědcům pomohlo efektivně vytvářet a nasazovat aplikace generující AI s využitím široké nabídky AI Azure.
Klíčové funkce nástroje Azure AI Studio
- Sestavte společně jako jeden tým. Centrum AI Studio poskytuje zabezpečení na podnikové úrovni a prostředí pro spolupráci se sdílenými prostředky a připojeními k předem natrénovaným modelům, datům a výpočetním prostředkům.
- Uspořádejte svou práci. Projekt AI Studio vám pomůže uložit stav, což vám umožní iterovat od prvního nápadu k prvnímu prototypu a pak k prvnímu produkčnímu nasazení. Na této cestě můžete také snadno pozvat ostatní, aby spolupracovali.
- Použijte upřednostňovanou vývojovou platformu a architektury, včetně GitHubu, Visual Studio Code, LangChain, Sémantického jádra, AutoGenu a dalších.
- Objevte a proveďte srovnávací testy z více než 1 600 modelů.
- Zřiďte modely jako službu (MaaS) prostřednictvím bezserverových rozhraní API a hostovaného jemného ladění.
- Začlenit více modelů, zdrojů dat a způsoby.
- Sestavte načítání rozšířené generace (RAG) pomocí chráněných podnikových dat bez nutnosti doladit.
- Orchestrace a správa toků výzev a velkých jazykových modelů (LLM)
- Návrh a ochrana aplikací a rozhraní API s konfigurovatelnými filtry a ovládacími prvky
- Vyhodnoťte odpovědi modelu pomocí integrovaných a vlastních toků hodnocení.
- Nasaďte inovace umělé inteligence do spravované infrastruktury Azure s průběžným monitorováním a zásadami správného řízení napříč prostředími.
- Nepřetržitě monitorujte nasazené aplikace pro zajištění bezpečnosti, kvality a spotřeby tokenů v produkčním prostředí.
Azure Machine Learning Studio
Azure Machine Learning Studio je spravovaná ucelená platforma strojového učení pro sestavování, vyladění, nasazování a provoz modelů Azure Machine Learning zodpovědně ve velkém měřítku.
Je pro vás Azure Machine Learning Studio vhodné?
Azure Machine Learning je navržený pro techniky strojového učení a datové vědce.
Klíčové funkce nástroje Azure Machine Learning Studio
- Sestavte a vytrénujte model Azure Machine Learning s libovolným typem výpočetních prostředků, včetně Sparku a GPU pro rozsáhlé úlohy AI v cloudovém měřítku.
- Spusťte automatizované rozhraní Azure Machine Learning (AutoML) a přetahování myší pro Azure Machine Learning s nízkým kódem.
- Implementujte kompletní kanály Azure Machine LearningOps a opakovatelné kanály Azure Machine Learning.
- Pro detekci předsudků a analýzu chyb použijte zodpovědný řídicí panel AI.
- Orchestrace a správa toků výzev a LLM
- Nasaďte modely s koncovými body rozhraní REST API, v reálném čase a dávkovým odvozováním.
Podrobné porovnání funkcí
Následující tabulka porovnává klíčové funkce azure AI Studia a nástroje Azure Machine Learning Studio:
| Kategorie | Funkce | Azure AI Studio | Azure Machine Learning Studio |
|---|---|---|---|
| Úložiště dat | Řešení úložiště | No | Ano, s integrací cloudového systému souborů, integrací OneLake v Prostředcích infrastruktury a účty azure Storage. |
| Příprava dat | Integrace dat do úložiště | Ano, s úložištěm objektů blob, Onelake, Azure Data Lake Storage (ADLS) podporovaným v indexu. | Ano, prostřednictvím kopírování a připojení pomocí účtů azure Storage. |
| Transformace dat | No | Ano, v kódu. | |
| Popisování dat | No | Ano, s identifikací objektů, segmentací instance, sémantickou segmentací, textem s názvem Rozpoznávání entit (NER), integrací s nástroji a službami popisování 3P. | |
| Úložiště funkcí | No | Ano | |
| Rodokmen dat a popisky | No | Ano | |
| Úlohy Sparku | No | Ano | |
| Úlohy orchestrace dat | No | Ne, i když jsou k dispozici připojené kanály Spark a Azure Machine Learning. | |
| Vývoj a trénování modelů | Nástroj první kód pro datové vědce | Ano, s VS Code. | Ano, s integrovanými poznámkovými bloky, Jupyterem, VS Code, R Studio. |
| Jazyky | Pouze Python. | Python (úplné prostředí), R, Scala, Java (omezené prostředí). | |
| Sledování, monitorování a vyhodnocování experimentů | Ano, ale jenom pro spuštění toku výzvy. | Ano, pro všechny typy spuštění. | |
| Nástroje pro vytváření kanálů ML | No | Ano, s návrhářem, nástrojem pro vytváření vizuálů a sadou SDK, rozhraním příkazového řádku nebo rozhraním API. | |
| AutoML | No | Ano, pro regresi, klasifikaci, prognózování časových řad, počítačové zpracování obrazu a zpracování přirozeného jazyka (NLP). | |
| Cílové výpočetní objekty pro trénování | Bezserverové pouze pro výpočetní instance MaaS a bezserverový modul runtime pro tok výzvy. | Clustery Spark, clustery Azure Machine Learning (MPI) a bezserverové služby Azure Arc | |
| Trénování a vyladění velkých jazykových modelů (LLM) a základních modelů | Omezeno na katalog modelů. | Ano, s distribuovaným trénováním založeným na MPI a katalogem modelů. | |
| Posouzení a ladění modelů Azure Machine Learning pro zajištění spravedlnosti a vysvětlitelnosti | No | Ano, s řídicím panelem zodpovědného sestavení AI. | |
| Generování AI/LLM | Katalog LLM | Ano, prostřednictvím katalogu modelů, LLM z Azure OpenAI, Hugging Face a Meta. | Ano, prostřednictvím LLM katalogu modelů z Azure OpenAI, Hugging Face a Meta. |
| RAG (podnikový chat) | Ano | Ano, prostřednictvím toku výzvy. | |
| Filtrování obsahu LLM | Ano, prostřednictvím bezpečnosti obsahu umělé inteligence. | Ano, prostřednictvím bezpečnosti obsahu umělé inteligence. | |
| Tok výzvy | Ano | Yes | |
| Tabulka výsledků nebo srovnávací testy | Yes | No | |
| Ukázky výzvy | Yes | No | |
| Pracovní postup LLM/ LLMOps/MLOps | Hřiště | Yes | No |
| Výzvy k experimentování a testování | Ano, prostřednictvím dětského hřiště, karty modelu a toku výzvy. | Ano, prostřednictvím karty modelu a toku výzvy. | |
| Vývoj pracovního postupu | Ano, prostřednictvím toku výzvy, integrace s jazykem LangChain a sémantického jádra. | Ano, prostřednictvím toku výzvy, integrace s jazykem LangChain a sémantického jádra. | |
| Nasazení pracovního postupu jako koncového bodu | Ano, prostřednictvím toku výzvy. | Ano, prostřednictvím toku výzvy. | |
| Správa verzí toku | Ano, prostřednictvím toku výzvy. | Ano, prostřednictvím toku výzvy. | |
| Integrované vyhodnocení | Ano, prostřednictvím toku výzvy. | Ano, prostřednictvím toku výzvy. | |
| Integrace Gitu | Ano | Yes | |
| CI/CD | Ano, prostřednictvím prostředí pro první kód v toku výzvy integrované s Azure DevOps a GitHubem. | Ano, prostřednictvím prostředí pro první kód v toku výzvy integrované s Azure DevOps a GitHubem. | |
| Registr modelu | No | Ano, prostřednictvím MIFlow a registrů. | |
| Registr organizačního modelu | No | Ano, prostřednictvím registrů. | |
| Nasazení modelu | Možnosti nasazení pro obsluhu v reálném čase | Online koncové body Modelů jako služby (MaaS) pro katalog MaaP | No |
| Možnosti nasazení pro dávkové zpracování | No | Koncové body služby Batch, spravovaná a nespravovaná podpora služby Azure Arc | |
| Zabezpečení podniku | AI Hub | Ano, spravujte a spravujte prostředky AI. | Ano, pro klasické služby Azure Machine Learning i LLM. |
| Privátní sítě | Ano | Yes | |
| Ochrana před únikem informací | Ano | Yes | |
| Klasifikace dat | No | Ano, přes Purview. |