Vergleichen Sie Machine Learning-Produkte und -Technologien von Microsoft
In diesem Artikel erfahren Sie mehr über die Machine Learning-Produkte und Technologien von Microsoft. Vergleichen Sie die Optionen, um zu entscheiden, wie Sie Ihre Machine Learning-Lösungen optimal erstellen, bereitstellen und verwalten.
Cloudbasierte Machine Learning-Produkte
In der Azure-Cloud stehen die folgenden Optionen für maschinelles Lernen zur Verfügung.
Cloudoptionen | Funktionsbeschreibung | Einsatzmöglichkeiten |
---|---|---|
Azure Machine Learning | Verwaltete Plattform für maschinelles Lernen | Verwenden Sie ein vortrainiertes Modell oder trainieren, bereitstellen und verwalten Sie Modelle in Azure mithilfe von Python und CLI. Umfasst Features wie automatisiertes Maschinelles Lernen (AutoML), Prompt Flow, Modellkatalog und MLflow-Integration. Nachverfolgen und Verstehen der Modellleistung während der Produktion |
Microsoft Fabric | Einheitliche Analyseplattform | Verwalten des gesamten Datenlebenszyklus, von der Erfassung bis hin zu Erkenntnissen, mit einer umfassenden Plattform, die verschiedene Dienste und Tools für Datenexperten integriert, einschließlich Dateningenieuren, Data Scientists und Business Analysts |
Azure KI-Services | Vordefinierte KI-Funktionen, die über REST-APIs und SDK implementiert werden | Erstellen Sie intelligente Anwendungen mithilfe von Standardprogrammiersprachen, die APIs aufrufen, die Eineferencing bereitstellen. Obwohl maschinelles Lernen und Data Science-Know-how noch ideal ist, kann diese Plattform auch von Ingenieurteams ohne solche Fähigkeiten übernommen werden. |
Azure SQL Managed Instance Machine Learning Services | Datenbankinternes maschinelles Lernen für SQL | Trainieren und Bereitstellen von Modellen in Azure SQL Managed Instance |
Maschinelles Lernen in Azure Synapse Analytics | Analysedienst mit maschinellem Lernen | Trainieren und Bereitstellen von Modellen in Azure Synapse Analytics |
Azure Databricks | Apache Spark-basierte Analyseplattform | Sie können Modelle und Datenworkflows mithilfe von Integrationen mit Open-Source-Machine Learning-Bibliotheken und der Plattform MLflow erstellen und bereitstellen. |
Lokales Machine Learning-Produkt
Die folgende Option ist für das lokale Maschinelle Lernen verfügbar. Lokale Server können auch auf einem virtuellen Computer in der Cloud ausgeführt werden.
Lokal | Funktionsbeschreibung | Einsatzmöglichkeiten |
---|---|---|
SQL Server Machine Learning Services | Datenbankinternes maschinelles Lernen für SQL | Trainieren und Bereitstellen von Modellen in SQL Server mithilfe von Python- und R-Skripts |
Entwicklungsplattformen und-tools
Für maschinelles Lernen stehen die folgenden Entwicklungsplattformen und -tools zur Verfügung.
Plattformen und Tools | Funktionsbeschreibung | Einsatzmöglichkeiten |
---|---|---|
Azure KI Studio | Einheitliche Entwicklungsumgebung für KI- und ML-Szenarien | Entwickeln, Bewerten und Bereitstellen von KI-Modellen und -Anwendungen Erleichtert die Zusammenarbeit und das Projektmanagement in verschiedenen Azure AI-Diensten und kann sogar als gemeinsame Umgebung in mehreren Arbeitsauslastungsteams verwendet werden. |
Azure Machine Learning Studio | Kollaboratives, Drag-and-Drop-Tool für maschinelles Lernen | Erstellen, Testen und Bereitstellen von Predictive Analytics-Lösungen mit minimaler Codierung. Unterstützt ein breites Spektrum an Maschinellen Lernalgorithmen und KI-Modellen. Es verfügt über Tools zur Datenvorbereitung, Modellschulung und -auswertung. |
Azure Data Science Virtual Machine | Virtuelle Computerimage mit vorinstallierten Data Science-Tools | Entwickeln Sie Machine Learning-Lösungen auf Ihren eigenen virtuellen Computern mit dieser vorkonfigurierten Umgebung mit Tools wie Jupyter, R und Python. |
ML.NET | Plattformübergreifendes Machine Learning SDK auf Open-Source-Basis | Entwickeln Sie Machine Learning-Lösungen für .NET-Anwendungen. |
Windows KI | Ableitungsmodul für trainierte Modelle auf Windows-Geräten | Eine Plattform, die Künstliche Intelligenz-Funktionen in Windows-Anwendungen mit Komponenten wie Windows Machine Learning (WinML) und Direct Machine Learning (DirectML) für lokale, Echtzeit-KI-Modellauswertung und Hardwarebeschleunigung integriert. |
SynapseML | Verteiltes Open-Source-Framework für maschinelles Lernen und Microservices für Apache Spark | Hiermit können Sie skalierbare Machine Learning-Anwendungen für Scala und Python erstellen und bereitstellen. |
Machine Learning-Erweiterung für Azure Data Studio | Plattformübergreifende Open-Source-Machine Learning-Erweiterung für Azure Data Studio | Verwalten von Paketen, Importieren von Machine Learning-Modellen, Treffen von Vorhersagen und Erstellen von Notebooks, um Experimente für SQL-Datenbanken durchzuführen |
Azure Machine Learning
Azure Machine Learning ist ein vollständig verwalteter Clouddienst, der zum bedarfsgesteuerten Trainieren, Bereitstellen und Verwalten von Machine Learning-Modellen verwendet wird. Er unterstützt ohne Einschränkungen alle Open Source-Technologien. Sie können dadurch Zehntausende von verschiedenen Open Source-Paketen für Python wie TensorFlow, PyTorch und scikit-learn verwenden. Umfangreiche Tools sind auch verfügbar, z . B. Computeinstanzen, Jupyter-Notizbücher oder die Azure Machine Learning für Visual Studio Code (VS Code)-Erweiterung, eine kostenlose Erweiterung, mit der Sie Ihre Ressourcen verwalten, Schulungsworkflows und Bereitstellungen in Visual Studio Code modellieren können. Azure Machine Learning umfasst Features zum Automatisieren der Modellgenerierung und zum einfachen, effizienten und präzisen Optimieren.
Verwenden Sie das Python SDK, Jupyter-Notebooks, R und die CLI für maschinelles Lernen in der Cloud. Für Optionen mit wenig oder gar keinem Code steht Ihnen im Studio der interaktive Designer von Azure Machine Learning zur Verfügung, den Sie zum schnellen und komfortablen Erstellen, Testen und Bereitstellen von Modellen mit vorgefertigten Machine Learning-Algorithmen verwenden können. Darüber hinaus bietet Azure Machine Learning die Integration mit Azure DevOps und GitHub-Aktionen für die kontinuierliche Integration und kontinuierliche Bereitstellung (CI/CD) von Machine Learning-Modellen.
Artikel | Beschreibung |
---|---|
Typ | Cloudbasierte Lösung für maschinelles Lernen |
Unterstützte Sprachen | Python, R |
Phasen beim maschinellen Lernen | Vorbereitung der Daten Modelltraining Bereitstellung MLOps/Verwaltung Verantwortungsvolle KI |
Hauptvorteile | Optionen für Code First (SDK) und Studio und Designer mit einer Drag-Drop-Webschnittstelle zum Schreiben. Zentrale Verwaltung von Skripts und Ausführungsverlauf zur Vereinfachung des Vergleichs von Modellversionen Komfortable Bereitstellung und Verwaltung von Modellen in der Cloud oder auf Edgegeräten Bietet skalierbare Schulungen, Bereitstellung und Verwaltung von Machine Learning-Modellen. |
Überlegungen | Erfordert eine gewisse Erfahrung mit dem Modellverwaltungsmodell. |
Azure KI Services
Azure AI-Dienste sind eine umfassende Suite vordefinierter APIs, mit denen Entwickler und Organisationen intelligente, marktfähige Anwendungen schnell erstellen können. Diese Dienste bieten sofort einsatzbereite und anpassbare APIs und SDKs, mit denen Ihre Apps Benutzeranforderungen mit minimalem Code anzeigen, hören, sprechen, verstehen und interpretieren können, wodurch es unnötig ist, Datasets oder Data Science-Know-how zum Trainieren von Modellen zu bringen. Sie können Ihren Apps intelligente Features hinzufügen, z. B.:
- Vision: Objekterkennung, Gesichtserkennung, optische Zeichenerkennung (OCR) usw. Weitere Informationen finden Sie unter maschinelles Sehen, Face, Document Intelligence.
- Speech: Spracherkennung, Sprachsynthese, Sprecher*innenerkennung usw. Weitere Informationen finden Sie unter Speech Service.
- Sprache: Übersetzung, Stimmungsanalyse, Schlüsselphrasenextraktion, Language Understanding usw. Weitere Informationen finden Sie unter Azure OpenAI Services, Translator, Plastischer Reader, Bot-Dienst und Sprachdienste.
- Entscheidung: Erkennen unerwünschter Inhalte und Treffen fundierter Entscheidungen zur Inhaltssicherheit.
- Suche und Wissen: Bringen Sie KI-gestützte Cloudsuche und Knowledge Mining-Funktionen in Ihre Apps ein. Weitere Informationen finden Sie unter Azure AI Search.
Verwenden Sie Azure KI Services, um Apps übergreifend für Geräte und Plattformen zu entwickeln. Die APIs werden ständig verbessert und lassen sich einfach einrichten.
Element | Beschreibung |
---|---|
Typ | APIs für die Entwicklung intelligenter Anwendungen |
Unterstützte Sprachen | Verschiedene Optionen je nach Dienst. Standardoptionen sind C#, Java, JavaScript und Python. |
Phasen beim maschinellen Lernen | Bereitstellung |
Hauptvorteile | Erstellen intelligenter Anwendungen mithilfe von vorab trainierten Modellen, die über REST-API und SDK verfügbar sind. Verschiedene Modelle für natürliche Kommunikationsmethoden mithilfe von Vision, Speech, Sprache und Entscheidung. Kein oder minimales maschinelles Lernen oder Data Science-Know-how erforderlich. Skalierbarkeit und Flexibilität. Verschiedene Modelle. |
Maschinelles Lernen mit SQL
Maschinelles Lernen mit SQL fügt statistische Analyse, Datenvisualisierung und Predictive Analytics in Python und R für relationale Daten lokal und in der Cloud hinzu. Aktuelle Plattformen und Tools:
- SQL Server Machine Learning Services
- Azure SQL Managed Instance Machine Learning Services
- Maschinelles Lernen in Azure Synapse Analytics
- Machine Learning-Erweiterung für Azure Data Studio
Verwenden Sie Maschinelles Lernen mit SQL, wenn Sie integrierte KI und Predictive Analytics von relationalen Daten in SQL benötigen.
Element | Beschreibung |
---|---|
Typ | Lokale Predictive Analytics für relationale Daten |
Unterstützte Sprachen | Python, R, SQL |
Phasen beim maschinellen Lernen | Datenaufbereitung Modelltraining Bereitstellung |
Hauptvorteile | Einfache Einbeziehung in datenschichtinterne Logik durch Kapselung von Prognoselogik in einer Datenbankfunktion |
Überlegungen | Setzt eine SQL-Datenbank als Datenschicht für die Anwendung voraus. |
Azure KI Studio
Azure AI Studio ist eine einheitliche Plattform für die Entwicklung und Bereitstellung von generativen KI-Anwendungen und Azure AI-APIs. Es bietet eine umfassende Reihe von KI-Funktionen, eine vereinfachte Benutzeroberfläche und Code-first-Erfahrungen, die es zu einem zentralen Shop zum Erstellen, Testen, Bereitstellen und Verwalten intelligenter Lösungen machen. Entwickelt, um Entwicklern und Datenwissenschaftlern die effiziente Erstellung und Bereitstellung von generativen KI-Anwendungen mithilfe der umfangreichen Azure-KI-Angebote zu erleichtern, betont Azure AI Studio die verantwortungsvolle KI-Entwicklung mit eingebetteten Prinzipien von Fairness, Transparenz und Verantwortlichkeit. Die Plattform umfasst Tools zur Erkennung von Verzerrungen, zur Interpretation und zum Schutz des maschinellen Lernens, um sicherzustellen, dass KI-Modelle leistungsfähig, vertrauenswürdig und den gesetzlichen Anforderungen entsprechen. Im Rahmen des Azure-Ökosystems von Microsoft bietet AI Studio robuste Tools und Dienste für verschiedene KI- und maschinelle Lernanforderungen, von der Verarbeitung natürlicher Sprachen bis hin zur Computervision. Die Integration in andere Azure-Dienste sorgt für nahtlose Skalierbarkeit und Leistung, was unternehmen ideal macht. Azure AI Studio fördert auch Zusammenarbeit und Innovation und unterstützt eine Zusammenarbeitsumgebung mit Features wie freigegebenen Arbeitsbereichen, Versionssteuerung und integrierten Entwicklungsumgebungen. Durch die Integration beliebter Open-Source-Frameworks und -Tools beschleunigt Azure AI Studio den Entwicklungsprozess, fähiger Organisationen, Innovationen voranzutreiben und in der wettbewerbsfähigen KI-Landschaft voraus zu bleiben.
Artikel | Beschreibung |
---|---|
Typ | Einheitliche Entwicklungsumgebung für KI |
Unterstützte Sprachen | Nur Python |
Phasen beim maschinellen Lernen | Datenaufbereitung Bereitstellung (Modelle als Dienst) |
Hauptvorteile | Erleichtert die Zusammenarbeit und das Projektmanagement in verschiedenen Azure AI-Diensten. Bietet umfassende Tools zum Erstellen, Trainieren und Bereitstellen von KI-Modellen. Betont verantwortungsvolle KI mit Tools für die Erkennung von Verzerrungen, die Interpretationsfähigkeit und den Datenschutz, die maschinelles Lernen erhalten. Unterstützt die Integration in gängige Open-Source-Frameworks und -Tools. Umfasst den Microsoft Prompt-Fluss zum Erstellen und Verwalten von promptbasierten Workflows, wodurch der Entwicklungszyklus von KI-Anwendungen vereinfacht wird, die von großen Sprachmodellen (LLMs) unterstützt werden. |
Azure Machine Learning Studio
Azure Machine Learning Studio ist ein gemeinsames Tool zum Erstellen, Testen und Bereitstellen von Predictive Analytics-Lösungen für Ihre Daten. Es wurde für Data Scientists, Dateningenieure und Business Analysts entwickelt. Azure Machine Learning Studio unterstützt eine vielzahl von Machine Learning-Algorithmen und Tools für die Datenvorbereitung, Modellschulung und -auswertung. Außerdem wird eine visuelle Schnittstelle zum Verbinden von Datasets und Modulen auf einem interaktiven Zeichenbereich bereitgestellt.
Artikel | Beschreibung |
---|---|
Typ | Kollaboratives, Drag-and-Drop-Tool für maschinelles Lernen |
Unterstützte Sprachen | Python, R, Scala und Java (begrenzte Erfahrung) |
Phasen beim maschinellen Lernen | Datenaufbereitung Modelltraining Bereitstellung |
Hauptvorteile | Zum Erstellen von Machine Learning-Modellen ist keine Codierung erforderlich. Unterstützt eine breite Palette von Machine Learning-Algorithmen und Tools für die Datenvorbereitung, Modellschulung und -auswertung. Stellt eine visuelle Schnittstelle zum Verbinden von Datasets und Modulen auf einem interaktiven Zeichenbereich bereit. Unterstützt die Integration in Azure Machine Learning für erweiterte Machine Learning-Aufgaben. |
Einen komprimierten Vergleich von Azure Machine Learning Studio und Azure AI Studio finden Sie unter AI Studio oder Azure Machine Learning Studio. Hier sind einige wichtige Unterschiede zwischen den beiden:
Kategorie | Funktion | Azure KI Studio | Azure Machine Learning Studio |
---|---|---|---|
Datenspeicher | Speicherlösung | No | Ja (Clouddateisystem, OneLake, Azure Storage) |
Datenaufbereitung | Datenintegration | Ja (Blob-Speicher, OneLake, ADLS) | Ja (Kopieren und Bereitstellen mit Azure Storage-Konten) |
Entwicklung | Code-First-Tools | Ja (Visual Studio Code (VS Code)) | Ja (Notizbücher, Jupyter, VS Code, R Studio) |
Sprachen | Unterstützte Sprachen | Nur Python | Python, R, Scala, Java |
Schulungen | AutoML | No | Ja (Regression, Klassifizierung, Prognose, CV, NLP) |
Berechnen von Zielen | Schulungsberechnung | Serverless (MaaS, Eingabeaufforderungsfluss) | Spark-Cluster, ML-Cluster, Azure Arc |
Generative KI | LLM-Katalog | Ja (Azure OpenAI, Hugging Face, Meta) | Ja (Azure OpenAI, Hugging Face, Meta) |
Bereitstellung | Echtzeit- und Batchverarbeitung | Echtzeit (MaaS) | Batchendpunkte, Azure Arc |
Governance | Verantwortungsvolle KI-Tools | No | Ja (Verantwortliches KI-Dashboard) |
Microsoft Fabric
Microsoft Fabric ist eine end-to-End-, einheitliche Analyseplattform, die alle daten- und Analysetools vereint, die Organisationen benötigen. Es integriert verschiedene Dienste und Tools, um eine nahtlose Erfahrung für Datenexperten zu bieten, einschließlich Dateningenieuren, Data Scientists und Business Analysts. Microsoft Fabric bietet Funktionen für Die Datenintegration, Datentechnik, Data Warehouse, Data Science, Echtzeitanalysen und Business Intelligence.
Verwenden Sie Microsoft Fabric, wenn Sie eine umfassende Plattform benötigen, um Ihren gesamten Datenlebenszyklus zu verwalten, von der Aufnahme bis hin zu Erkenntnissen.
Artikel | Beschreibung |
---|---|
Typ | Einheitliche Analyseplattform |
Unterstützte Sprachen | Python, R, SQL, Scala |
Phasen beim maschinellen Lernen | Datenaufbereitung Modelltraining Bereitstellung Echtzeitanalysen |
Hauptvorteile | Einheitliche Plattform für alle Daten- und Analyseanforderungen. Nahtlose Integration mit anderen Microsoft-Dienste. Skalierbar und flexibel. Unterstützt eine vielzahl von Daten- und Analysetools. Erleichtert die Zusammenarbeit in verschiedenen Rollen in einer Organisation. End-to-End-Datenlebenszyklus-Verwaltung von der Erfassung bis hin zu Erkenntnissen. Echtzeitanalysen und Business Intelligence-Funktionen. Unterstützt Schulungen und Bereitstellungen des Machine Learning-Modells. Integration in beliebte Machine Learning Frameworks und Tools. Stellt Tools für die Datenvorbereitung und feature engineering bereit. Ermöglicht Echtzeit-Machine Learning-Schlussfolgerungen und Analysen. |
Azure Data Science Virtual Machine
Azure Data Science Virtual Machine ist eine benutzerdefinierte VM-Umgebung in der Microsoft Azure-Cloud. Von der Umgebung sind Versionen für Windows und Linux Ubuntu verfügbar. Die Umgebung ist speziell für Data Science und das Entwickeln von Machine Learning-Lösungen konzipiert. Sie umfasst viele vorinstallierte und vorkonfigurierte Data Science-Tools, Machine Learning-Frameworks und andere Tools, damit Sie sofort damit beginnen können, intelligente Anwendungen für die erweitere Analyse zu erstellen.
Verwenden Sie die Data Science-VM, wenn Sie Ihre Aufträge auf einem einzelnen Knoten ausführen oder hosten müssen. Eine anderer Grund für die Nutzung kann das Hochskalieren eines einzelnen Computers per Remotezugriff sein.
Element | Beschreibung |
---|---|
Typ | Angepasste VM-Umgebung für Data Science |
Hauptvorteile | Geringerer Installations-, Verwaltungs- und Problembehandlungsaufwand für Data Science-Tools und -Frameworks. Verfügbarkeit der neuesten Versionen aller gängigen Tools und Frameworks VM-Optionen umfassen hochgradig skalierbare Images und GPU-Funktionen (Graphics Processing Unit) für intensive Datenmodellierung. |
Überlegungen | Der virtuelle Computer steht offline nicht zur Verfügung. Bei der Ausführung eines virtuellen Computers fallen Azure-Gebühren an. Achten Sie daher darauf, dass er nur bei Bedarf ausgeführt wird. |
Azure Databricks
Azure Databricks ist eine Apache Spark-basierte Analyseplattform, die für die Microsoft Azure-Cloud-Plattform optimiert ist. Databricks ist in Azure integriert, um Folgendes zu ermöglichen: Einrichtung mit nur einem Klick, optimierte Workflows und einen interaktiven Arbeitsbereich für die Zusammenarbeit von Datenspezialisten, Data Engineers und Business Analysts. Verwenden Sie Python-, R-, Scala- und SQL-Code in webbasierten Notebooks zum Abfragen, Visualisieren und Modellieren von Daten.
Verwenden Sie Databricks, wenn Sie gemeinsam an der Erstellung von Lösungen für maschinelles Lernen auf Apache Spark arbeiten möchten.
Element | Beschreibung |
---|---|
Typ | Apache Spark-basierte Analyseplattform |
Unterstützte Sprachen | Python, R, Scala, SQL |
Phasen beim maschinellen Lernen | Datenaufbereitung Vorabaufbereitung der Daten Modelltraining Modelloptimierung Modellrückschluss Verwaltung Bereitstellung |
Hauptvorteile | Ein-Klick-Setup und optimierte Workflows für die einfache Verwendung. Interaktiver Arbeitsbereich für die Zusammenarbeit. Nahtlose Integration in Azure. Skalierbarkeit für die Verarbeitung großer Datasets und intensiver Berechnungen. Unterstützung für verschiedene Sprachen und Integration mit beliebten Tools. |
ML.NET
ML.NET ist ein plattformübergreifendes Open-Source-Machine Learning-Framework. Mit ML.NET können Sie benutzerdefinierte Machine Learning-Lösungen erstellen und mit Ihren .NET-Anwendungen integrieren. ML.NET bietet verschiedene Stufen an Interoperabilität mit beliebten Frameworks wie TensorFlow und ONNX zum Trainieren und Bewerten von Machine Learning- und Deep Learning-Modellen. Für ressourcenintensive Tasks wie das Trainieren von Bildklassifizierungsmodellen können Sie Azure nutzen, um Ihre Modelle in der Cloud zu trainieren.
Verwenden Sie ML.NET, wenn Sie Lösungen für maschinelles Lernen in Ihre .NET-Anwendungen integrieren möchten. Wählen Sie zwischen der API für einen Code First-Ansatz und einem Model Builder oder der CLI für einen Ansatz mit nur wenig Code aus.
Element | Beschreibung |
---|---|
Typ | Plattformübergreifendes Open-Source-Framework für die Entwicklung benutzerdefinierter Machine Learning-Anwendungen mit .NET |
Unterstützte Sprachen | C# und F# |
Phasen beim maschinellen Lernen | Datenaufbereitung Training Bereitstellung |
Hauptvorteile | Kenntnisse im Bereich Data-Science und Machine-Learning nicht erforderlich Verwenden Sie vertraute Tools (Visual Studio, Microsoft Visual Studio Code) und Sprachen Sie können die Bereitstellung dort durchführen, wo .NET ausgeführt wird. Dieser Ansatz ist erweiterbar. Skalierbar Lokale Umgebung AutoML für automatisierte Machine Learning-Aufgaben |
Windows KI
Windows AI Windows AI ist eine leistungsstarke Plattform, die künstliche Intelligenzfunktionen in Windows-Anwendungen integriert, wobei die Stärken von Windows Machine Learning (WinML) und Direct Machine Learning (DirectML) verwendet werden, um lokale, Echtzeit-KI-Modellauswertung und Hardwarebeschleunigung bereitzustellen. WinML ermöglicht Es Entwicklern, trainierte Machine Learning-Modelle direkt in ihre Windows-Anwendungen zu integrieren. Sie erleichtert die lokale Echtzeitbewertung von Modellen und ermöglicht leistungsstarke KI-Funktionen, ohne dass Cloudkonnektivität erforderlich ist.
DirectML ist eine leistungsstarke, hardwarebeschleunigte Plattform für die Ausführung von Machine Learning-Modellen. Es verwendet die DirectX-API, um eine optimierte Leistung über verschiedene Hardware hinweg bereitzustellen, einschließlich GPUs und AI Accelerators.
Verwenden Sie Windows AI, wenn Sie trainierte Machine Learning-Modelle in Ihren Windows-Anwendungen verwenden möchten.
Artikel | Beschreibung |
---|---|
Typ | Rückschluss-Engine für trainierte Modelle auf Windows-Geräten |
Phasen beim maschinellen Lernen | Datenaufbereitung Modelltraining Bereitstellung |
Unterstützte Sprachen | C#/C++, JavaScript |
Hauptvorteile | Lokale Ki-Modellauswertung in Echtzeit Erzielen sie leistungsstarke KI-Verarbeitung in verschiedenen Hardwaretypen, einschließlich CPUs, GPUs und AI Accelerators. Stellt ein einheitliches Verhalten und eine einheitliche Leistung auf unterschiedlicher Windows-Hardware sicher. |
SynapseML
SynapseML (zuvor als MMLSpark bezeichnet) ist eine Open-Source-Bibliothek, die die Erstellung hochgradig skalierbarer Machine Learning-Pipelines (ML) vereinfacht. SynapseML bietet APIs für eine Vielzahl verschiedener Aufgaben für maschinelles Lernen wie Textanalyse, Bildanalyse, Anomalieerkennung und viele andere. SynapseML basiert auf dem verteilten Computing-Framework von Apache Spark und verfügt über die gleiche API wie die SparkML/MLLib-Bibliothek, sodass Sie SynapseML-Modelle nahtlos in bestehende Apache Spark-Workflows einbetten können.
SynapseML erweitert das Spark-Ökosystem um eine Vielzahl von Deep Learning- und Data Science-Tools, u. a. um die nahtlose Integration von Spark Machine Learning-Pipelines mit Light Gradient Boosting Machine (LightGBM), LIME (Interpretierbarkeit von Modellen) und OpenCV. Mit diesen Tools können Sie leistungsfähige Prognosemodelle für Spark-Cluster erstellen, z. B. Azure Databricks oder Cosmic Spark.
Darüber hinaus bietet SynapseML neue Netzwerkfunktionen für das Spark-Ökosystem. Mit dem HTTP-on-Spark-Projekt können Benutzer beliebige Webdienste in ihre SparkML-Modelle einbetten. Außerdem stellt SynapseML benutzerfreundliche Tools für das Orchestrieren von Azure KI Services im gewünschten Umfang bereit. Für die Bereitstellung in Produktionsumgebungen ermöglicht das Spark Serving-Projekt das Betreiben von Webdienste mit hohem Durchsatz und einer Latenz im Bereich unter Millisekunden, unterstützt durch Ihren Spark-Cluster.
Element | Beschreibung |
---|---|
Typ | Verteiltes Open-Source-Framework für maschinelles Lernen und Microservices für Apache Spark |
Unterstützte Sprachen | Scala, Java, Python, R und .NET |
Phasen beim maschinellen Lernen | Datenaufbereitung Modelltraining Bereitstellung |
Hauptvorteile | Skalierbarkeit Kompatibel mit Streaming und Bereitstellung Fehlertoleranz |
Überlegungen | Erfordert Apache Spark |
Beitragende
Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:
Hauptautoren:
- Mahdi Setayesh | Principal Software Engineer
Nächste Schritte
- Erfahren Sie mehr über alle Ki-Entwicklungsprodukte (Artificial Intelligence), die von Microsoft verfügbar sind: Microsoft AI-Plattform.
- Erhalten Sie Schulungen zum Entwickeln von KI- und Machine Learning-Lösungen mit Microsoft: Microsoft Learn-Schulung.
- Erfahren Sie mehr über Microsoft Fabric: Microsoft Fabric.
- Entdecken Sie Azure AI-Dienste: Azure AI-Dienste.
- Erkunden Sie Azure Machine Learning: Azure Machine Learning.
- Erfahren Sie mehr über Azure Databricks: Azure Databricks.
- Entdecken Sie Azure Synapse Analytics: Azure Synapse Analytics.
- Erkunden Sie Azure SQL verwaltete Instanz Machine Learning Services: Azure SQL verwaltete Instanz Machine Learning Services.