Freigeben über


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.:

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:

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:

Nächste Schritte