Comparer les produits et les technologies de Machine Learning Microsoft
Découvrez les produits et technologies de Machine Learning de Microsoft. Comparez les options pour déterminer la manière la plus efficace de créer, déployer et gérer vos solutions de Machine Learning.
Produits de Machine Learning basés sur le cloud
Les options suivantes sont disponibles pour le machine learning dans le cloud Azure.
| Options cloud | Présentation | Fonctionnalités |
|---|---|---|
| Azure Machine Learning | Plateforme gérée pour le Machine Learning | Utilisez un modèle préentraîné, ou entraînez, déployez et gérez des modèles sur Azure à l’aide de Python et de l’interface CLI. Inclut des fonctionnalités telles que le Machine Learning automatisé (AutoML), le flux d’invite, le catalogue de modèles et l’intégration MLflow. Suivre et comprendre les performances du modèle pendant la production |
| Microsoft Fabric | Plateforme d'analytique unifiée | Gérer l’ensemble du cycle de vie des données, de l’ingestion aux insights, avec une plateforme complète qui intègre différents services et outils pour les professionnels des données, notamment les ingénieurs données, les scientifiques des données et les analystes métier |
| Azure AI Services | Fonctionnalités IA prédéfinies implémentées via les API REST et les kits de développement logiciel (SDK). | Créez des applications intelligentes à l’aide de langages de programmation standard qui appellent des API qui fournissent une inférence. Bien que l’expertise du Machine Learning et de la science des données soit toujours idéale, cette plateforme peut également être adoptée par les équipes d’ingénierie sans ces compétences |
| Azure SQL Managed Instance Machine Learning Services | Machine Learning dans la base de données pour SQL | Former et déployer des modèles dans Azure SQL Managed Instance |
| Machine Learning dans Azure Synapse Analytics | Service d’analyse avec Machine Learning | Former et déployer des modèles dans Azure Synapse Analytics |
| Azure Databricks | Plateforme d’analytique basée sur Apache Spark | Créer et déployer des modèles et des workflows de données à l’aide d’intégrations à des bibliothèques de Machine Learning open source et de la plateforme MLflow. |
Produit Machine Learning local
L’option suivante est disponible pour le Machine Learning local. Les serveurs locaux peuvent également être exécutés sur une machine virtuelle dans le cloud.
| Sur site | Présentation | Fonctionnalités |
|---|---|---|
| Services de Machine Learning SQL Server | Machine Learning dans la base de données pour SQL | Entraîner et déployer des modèles à l’intérieur de SQL Server à l’aide de scripts Python et R |
Plateformes et outils de développement
Les plateformes et outils de développement suivants sont disponibles pour le Machine Learning.
| Plateformes/outils | Présentation | Fonctionnalités |
|---|---|---|
| Azure AI Studio | Environnement de développement unifié pour les scénarios IA et ML | Développez, évaluez et déployez des modèles et applications IA. Facilite la collaboration et la gestion des projets dans différents services Azure AI et peut même être utilisé comme environnement commun dans plusieurs équipes de charge de travail. |
| Azure Machine Learning Studio | Outil collaboratif, glisser-déplacer pour le Machine Learning | Créez, testez et déployez des solutions d’analytique prédictive avec un codage minimal. Prend en charge un large éventail d’algorithmes d’apprentissage automatique et de modèles IA. Il dispose d’outils pour la préparation des données, l’apprentissage du modèle et l’évaluation. |
| Azure Data Science Virtual Machine | Image de machine virtuelle avec des outils de science des données préinstallés | Développez des solutions Machine Learning sur vos propres machines virtuelles avec cet environnement préconfiguré avec des outils tels que Jupyter, R et Python. |
| ML.NET | Kit de développement logiciel (SDK) Machine Learning multiplateforme open source | Développez des solutions Machine Learning pour les applications .NET. |
| Windows IA | Moteur d’inférence pour les modèles entraînés sur les appareils Windows | Plateforme qui intègre des fonctionnalités d’intelligence artificielle dans des applications Windows à l’aide de composants tels que Windows Machine Learning (WinML) et Direct Machine Learning (DirectML) pour l’évaluation locale et en temps réel des modèles IA et l’accélération matérielle. |
| SynapseML | Infrastructure de Machine Learning et de microservices open source et distribuée pour Apache Spark | Créez et déployez des applications de Machine Learning évolutives pour Scala et Python. |
| Extension Machine Learning pour Azure Data Studio | Extension Machine Learning open source et multiplateforme pour Azure Data Studio | Gérez des packages, importez des modèles Machine Learning, effectuez des prédictions et créez des notebooks pour exécuter des expériences pour vos bases de données SQL. |
Azure Machine Learning
Azure Machine Learning est un service cloud complètement managé qui permet d'effectuer l'apprentissage, de déployer et de gérer des modèles Machine Learning à grande échelle. Il prend entièrement en charge les technologies open source. Vous pouvez donc utiliser des dizaines de milliers de packages Python open source tels que TensorFlow, PyTorch et scikit-learn. Des outils enrichis sont également disponibles, tels que les instances de calcul, les notebooks Jupyter ou l’extension Azure Machine Learning pour Visual Studio Code (VS Code), une extension gratuite qui vous permet de gérer vos ressources, les flux de travail d’entraînement de modèle et les déploiements dans Visual Studio Code. Azure Machine Learning comprend des fonctionnalités qui automatisent la génération de modèles et qui vous permettent de les optimiser de manière simple, efficace et précise.
Utilisez le kit de développement logiciel (SDK) Python, des blocs-notes Jupyter, R et l’interface de commande pour l’apprentissage automatique à l’échelle du cloud. Pour une option low-code ou no-code, utilisez le concepteur interactif d’Azure Machine Learning dans Studio afin de générer, de tester et de déployer facilement et rapidement des modèles à l’aide d’algorithmes d’apprentissage automatique prédéfinis. En outre, Azure Machine Learning fournit une intégration avec Azure DevOps et GitHub Actions pour l’intégration continue et le déploiement continu (CI/CD) des modèles Machine Learning.
| Élément | Description |
|---|---|
| Type | Solution de Machine Learning basée sur le cloud |
| Langues prises en charge | Python, R |
| Phases de Machine Learning | Préparation des données Apprentissage du modèle Déploiement MLOps/Gestion IA responsable |
| Principaux avantages | Code First (SDK) et Studio et options de création d’interface web de concepteur par glisser-déposer. Gestion centralisée des scripts et historique d’exécution, ce qui facilite la comparaison des versions du modèle. Déploiement et gestion simples des modèles sur le cloud ou sur des appareils de périphérie. Offre une formation, un déploiement et une gestion évolutifs des modèles Machine Learning. |
| Considérations | Nécessite des connaissances relatives au modèle de Gestion des modèles. |
Azure AI services
Les services Azure AI sont une suite complète d’API prédéfinies qui permettent aux développeurs et aux organisations de créer rapidement des applications intelligentes prêtes pour le marché. Ces services offrent des API prêtes à l’emploi et des SDK personnalisables qui permettent à vos applications de voir, d’entendre, de parler, de comprendre et d’interpréter les besoins des utilisateurs avec un code minimal, ce qui rend inutile d’apporter des jeux de données ou une expertise en science des données pour former des modèles. Vous pouvez ajouter des fonctionnalités intelligentes à vos applications, telles que :
- Vision : détection d’objets, reconnaissance faciale, reconnaissance optique de caractères (OCR), etc. Pour plus d’informations, consultez Vision par ordinateur, Visage, Document Intelligence.
- Voix : reconnaissance vocale, synthèse vocale, reconnaissance de l’orateur, etc. Pour plus d’informations, consultez Service Speech.
- Langue : traduction, analyse des sentiments, extraction de phrases clés, compréhension du langage, etc. Pour plus d’informations, consultez Azure OpenAI Services, Translator, Lecteur immersif, Bot service et Language services.
- Décision : détection de contenu indésirable et prise de décisions éclairées sur la sécurité du contenu.
- Recherche et connaissances : apportez des fonctionnalités de recherche cloud et d’exploration de connaissances basées sur l’IA à vos applications. Pour plus d’informations, consultez Recherche d’IA Azure.
Utilisez Azure AI Services pour développer des applications sur divers appareils et plateformes. Les API ne cessent de s’améliorer et sont faciles à configurer.
| Élément | Description |
|---|---|
| Type | API permettant de créer des applications intelligentes |
| Langues prises en charge | Diverses options en fonction du service Les langages standard sont C#, Java, JavaScript et Python. |
| Phases de Machine Learning | Déploiement |
| Principaux avantages | Créez des applications intelligentes à l’aide de modèles préformés disponibles via l’API REST et le kit de développement logiciel (SDK). Diversité de modèles pour les méthodes de communication naturelles avec vision, voix, langage et décision. Aucune ou minimale expertise en machine learning ou en science des données requise. Scalabilité et flexibilité. Variété de modèles. |
Machine Learning SQL
Machine Learning SQL ajoute l’analyse statistique, la visualisation des données et l’analytique prédictive dans Python et R pour les données relationnelles locales et dans le cloud. Plateformes et outils de développement actuels :
- Services de Machine Learning SQL Server
- Azure SQL Managed Instance Machine Learning Services
- Machine Learning dans Azure Synapse Analytics
- Extension Machine Learning pour Azure Data Studio
Utilisez Machine Learning SQL lorsque vous souhaitez bénéficier d’une IA intégrée et d’une analytique prédictive des données relationnelles dans SQL.
| Élément | Description |
|---|---|
| Type | Analyses prédictives locales pour les données relationnelles |
| Langues prises en charge | Python, R, SQL |
| Phases de Machine Learning | Préparation des données Apprentissage du modèle Déploiement |
| Principaux avantages | Encapsuler la logique prédictive dans une fonction de base de données, ce qui permet d’inclure facilement dans une logique de couche de données. |
| Considérations | Considère une base de données SQL en tant que couche de données pour votre application. |
Azure AI Studio
Azure AI Studio est une plateforme unifiée pour le développement et le déploiement d’applications IA génératives et d’API Azure AI de manière responsable. Il offre un ensemble complet de fonctionnalités d’IA, d’une interface utilisateur simplifiée et d’expériences code-first, ce qui en fait un point d’arrêt pour la création, le test, le déploiement et la gestion de solutions intelligentes. Conçu pour aider les développeurs et les scientifiques des données à créer et déployer efficacement des applications IA génératives à l’aide des offres d’IA étendues Azure, Azure AI Studio met l’accent sur le développement d’IA responsable avec des principes incorporés d’équité, de transparence et de responsabilité. La plateforme comprend des outils pour la détection, l’interprétabilité et la protection de la confidentialité du Machine Learning, ce qui garantit que les modèles IA sont puissants, dignes de confiance et conformes aux exigences réglementaires. Dans le cadre de l’écosystème Azure de Microsoft, AI Studio fournit des outils et des services robustes répondant aux différents besoins d’IA et d’apprentissage automatique, du traitement du langage naturel à la vision par ordinateur. Son intégration à d’autres services Azure garantit une scalabilité et des performances transparentes, ce qui en fait idéal pour les entreprises. Azure AI Studio favorise également la collaboration et l’innovation, prenant en charge un environnement collaboratif avec des fonctionnalités telles que les espaces de travail partagés, le contrôle de version et les environnements de développement intégrés. En intégrant des frameworks et outils open source populaires, Azure AI Studio accélère le processus de développement, permettant aux organisations de stimuler l’innovation et de rester à l’avance dans le paysage concurrentiel de l’IA.
| Élément | Description |
|---|---|
| Type | Environnement de développement unifié pour l’IA |
| Langues prises en charge | Python uniquement |
| Phases de Machine Learning | Préparation des données Déploiement (modèles en tant que service) |
| Principaux avantages | Facilite la collaboration et la gestion des projets dans différents services Azure AI. Fournit des outils complets pour la création, l’entraînement et le déploiement de modèles IA. Met l’accent sur l’IA responsable avec des outils pour la détection de biais, l’interprétabilité et la préservation de la confidentialité du Machine Learning. Prend en charge l’intégration à des infrastructures et outils open source populaires. Inclut le flux d’invite Microsoft pour la création et la gestion des flux de travail basés sur les invites, ce qui simplifie le cycle de développement des applications IA optimisées par les modèles de langage volumineux (LLMs). |
Azure Machine Learning Studio
Azure Machine Learning Studio est un outil collaboratif, glisser-déplacer pour créer, tester et déployer des solutions d’analyse prédictive sur vos données. Il est conçu pour les scientifiques des données, les ingénieurs données et les analystes métier. Azure Machine Learning Studio prend en charge un large éventail d’algorithmes et d’outils de Machine Learning pour la préparation des données, l’apprentissage du modèle et l’évaluation. Il fournit également une interface visuelle pour connecter des jeux de données et des modules sur un canevas interactif.
| Élément | Description |
|---|---|
| Type | Outil collaboratif, glisser-déplacer pour le Machine Learning |
| Langues prises en charge | Python, R, Scala et Java (expérience limitée) |
| Phases de Machine Learning | Préparation des données Apprentissage du modèle Déploiement |
| Principaux avantages | Aucun codage n’est requis pour générer des modèles Machine Learning. Prend en charge un large éventail d’algorithmes et d’outils de Machine Learning pour la préparation des données, l’entraînement du modèle et l’évaluation. Fournit une interface visuelle pour connecter des jeux de données et des modules sur un canevas interactif. Prend en charge l’intégration à Azure Machine Learning pour les tâches de Machine Learning avancées. |
Pour une comparaison compressive d’Azure Machine Learning Studio et d’Azure AI Studio, consultez AI Studio ou Azure Machine Learning Studio. Voici quelques différences clés entre les deux :
| Catégorie | Fonctionnalité | Azure AI Studio | Azure Machine Learning Studio |
|---|---|---|---|
| Stockage des données | Solution de stockage | Non | Oui (système de fichiers cloud, OneLake, Stockage Azure) |
| Préparation des données | Intégration des données | Oui (stockage d’objets blob, OneLake, ADLS) | Oui (copier et monter avec des comptes Stockage Azure) |
| Développement | Outils code-first | Oui (Visual Studio Code (VS Code)) | Oui (Notebooks, Jupyter, VS Code, R Studio) |
| Langues | Langues prises en charge | Python uniquement | Python, R, Scala, Java |
| Formation | AutoML | Non | Oui (régression, classification, prévision, CV, NLP) |
| Cibles de calcul | Calcul d’entraînement | Serverless (MaaS, flux d’invite) | Clusters Spark, clusters ML, Azure Arc |
| IA générative | Catalogue LLM | Oui (Azure OpenAI, Hugging Face, Meta) | Oui (Azure OpenAI, Hugging Face, Meta) |
| Déploiement | Service en temps réel et par lots | Temps réel (MaaS) | Points de terminaison Batch, Azure Arc |
| Gouvernance | Outils d’IA responsables | Non | Oui (tableau de bord IA responsable) |
Microsoft Fabric
Microsoft Fabric est une plateforme d’analytique unifiée de bout en bout qui réunit tous les outils de données et d’analytique dont les organisations ont besoin. Il intègre différents services et outils pour offrir une expérience transparente aux professionnels des données, notamment les ingénieurs données, les scientifiques des données et les analystes métier. Microsoft Fabric offre des fonctionnalités d’intégration de données, d’ingénierie des données, d’entreposage de données, de science des données, d’analytique en temps réel et d’intelligence décisionnelle.
Utilisez Microsoft Fabric lorsque vous avez besoin d’une plateforme complète pour gérer l’ensemble du cycle de vie des données, de l’ingestion aux insights.
| Élément | Description |
|---|---|
| Type | Plateforme d'analytique unifiée |
| Langues prises en charge | Python, R, SQL, Scala |
| Phases de Machine Learning | Préparation des données Apprentissage du modèle Déploiement Analyse en temps réel |
| Principaux avantages | Plateforme unifiée pour tous les besoins de données et d’analytique. Intégration transparente avec d’autres services Microsoft. Scalable et flexible. Prend en charge un large éventail d’outils de données et d’analytique. Facilite la collaboration entre différents rôles dans une organisation. Gestion du cycle de vie des données de bout en bout, de l’ingestion aux insights. Fonctionnalités d’analytique en temps réel et d’intelligence décisionnelle. Prend en charge l’entraînement et le déploiement du modèle Machine Learning. Intégration à des infrastructures et outils de Machine Learning populaires. Fournit des outils pour la préparation des données et l’ingénierie des fonctionnalités. Active l’inférence et l’analytique machine learning en temps réel. |
Machine virtuelle DSVM (Data Science Virtual Machine) Azure
Azure Data Science Virtual Machine est un environnement de machine virtuelle personnalisé sur le cloud Microsoft Azure. Des versions pour Windows et Linux Ubuntu sont disponibles. L’environnement est conçu spécifiquement pour la pratique de la science des données et le développement de solutions de Machine Learning. Il inclut de nombreux outils de science des données populaires, des infrastructures de Machine Learning et d’autres outils préinstallés et préconfigurés afin d’accélérer la création d’applications intelligentes à des fins d’analyse avancée.
Utilisez la machine virtuelle DSVM quand vous devez exécuter ou héberger vos tâches sur un même nœud, ou si vous devez monter en puissance à distance le traitement sur un seul ordinateur.
| Élément | Description |
|---|---|
| Type | Environnement de machine virtuelle personnalisé pour la science des données |
| Principaux avantages | Réduction du temps d’installation, de gestion et de résolution des problèmes liés aux outils et aux frameworks de science des données. Les dernières versions de tous les outils et frameworks couramment utilisés sont incluses. Les options de machine virtuelle incluent des images hautement évolutives avec des capacités de processeur graphique (GPU) pour la modélisation intensive des données. |
| Considérations | La machine virtuelle n’est pas accessible en mode hors connexion. L’exécution d’une machine virtuelle entraîne des frais Azure, donc vous devez veiller à l’exécuter uniquement si nécessaire. |
Azure Databricks
Azure Databricks est une plateforme d’analytique basée sur Apache Spark et optimisée pour la plateforme cloud Microsoft Azure. Databricks est intégré à Azure pour offrir une configuration en un clic, des workflows simplifiés et un espace de travail interactif permettant aux scientifiques des données, aux ingénieurs des données et aux analystes métier de collaborer. Utilisez du code Python, R, Scala et SQL dans des notebooks basés sur le web pour interroger, visualiser et modéliser des données.
Utilisez Databricks quand vous souhaitez travailler à plusieurs sur la conception de solutions de machine learning sur Apache Spark.
| Élément | Description |
|---|---|
| Type | Plateforme d’analytique basée sur Apache Spark |
| Langues prises en charge | Python, R, Scala, SQL |
| Phases de Machine Learning | Préparation des données Prétraitement des données Apprentissage du modèle Réglage du modèle Inférence de modèle Gestion Déploiement |
| Principaux avantages | Configuration en un clic et flux de travail simplifiés pour faciliter l’utilisation. Espace de travail interactif pour la collaboration. Intégration transparente avec Azure. Scalabilité pour gérer des jeux de données volumineux et des calculs intensifs. Prise en charge de différentes langues et intégration à des outils populaires. |
ML.NET
ML.NET est une infrastructure de Machine Learning open source et multiplateforme. Avec ML.NET, vous pouvez créer des solutions de Machine Learning personnalisées et les intégrer à vos applications .NET. ML.NET offre différents niveaux d’interopérabilité avec des infrastructures populaires telles que TensorFlow et ONNX pour la formation et le scoring d’apprentissage automatique, et des modèles d’apprentissage profond. Pour les tâches gourmandes en ressources telles que des modèles de classification d’images d’apprentissage, vous pouvez tirer parti d’Azure pour effectuer l’apprentissage de vos modèles dans le cloud.
Utilisez ML.NET quand vous avez besoin d’intégrer des solutions de machine learning à vos applications .NET. Choisissez entre l’API pour une expérience orientée code et Model Builder ou CLI pour une expérience avec peu de code.
| Élément | Description |
|---|---|
| Type | Infrastructure multiplateforme open source pour le développement d’applications d’apprentissage automatique personnalisées avec .NET |
| Langues prises en charge | C#, F# |
| Phases de Machine Learning | Préparation des données Entrainement Déploiement |
| Principaux avantages | Aucune expérience en science des données et en Machine Learning n’est requise. Utiliser des outils (Visual Studio, Microsoft Visual Studio Code) et des langages familiers Déployer où .NET s’exécute Extensible Évolutif Expérience locale AutoML pour les tâches de Machine Learning automatisées |
Windows IA
Windows AI Windows AI est une plateforme puissante qui intègre des fonctionnalités d’intelligence artificielle dans des applications Windows, en utilisant les forces de Windows Machine Learning (WinML) et Direct Machine Learning (DirectML) pour fournir une évaluation locale et en temps réel de l’évaluation du modèle IA et de l’accélération matérielle. WinML permet aux développeurs d’intégrer des modèles Machine Learning entraînés directement dans leurs applications Windows. Il facilite l’évaluation locale et en temps réel des modèles, ce qui permet de puissantes fonctionnalités d’IA sans avoir besoin de connectivité cloud.
DirectML est une plateforme hautement performante et accélérée par le matériel pour l’exécution de modèles Machine Learning. Il utilise l’API DirectX pour fournir des performances optimisées sur divers matériels, notamment les GPU et les accélérateurs IA.
Utilisez Windows AI lorsque vous souhaitez utiliser des modèles Machine Learning entraînés au sein de vos applications Windows.
| Élément | Description |
|---|---|
| Type | Moteur d'inférence pour modèles formés sur appareils Windows |
| Phases de Machine Learning | Préparation des données Apprentissage du modèle Déploiement |
| Langues prises en charge | C#/C++, JavaScript |
| Principaux avantages | Évaluation locale et en temps réel du modèle IA Obtenir un traitement IA hautes performances sur différents types de matériel, notamment les processeurs, les GPU et les accélérateurs IA Garantit un comportement et des performances cohérents sur différents matériels Windows. |
SynapseML
SynapseML (auparavant appelé MMLSpark) est une bibliothèque open source qui simplifie la création de pipelines Machine Learning (ML) massivement évolutifs. SynapseML fournit des API pour un large éventail de tâches d’apprentissage automatique différentes comme l’analyse de texte, la vision, la détection d’anomalie, et bien d’autres. SynapseML se base sur le cadre de traitement distribué Apache Spark et partage la même API que la bibliothèque SparkML/MLLib, ce qui vous permet d’incorporer sans discontinuité des modèles SynapseML dans des flux de travail Apache Spark existants.
SynapseML ajoute de nombreux outils d’apprentissage approfondi et de science des données à l'écosystème Spark, notamment l'intégration transparente des pipelines d’Apprentissage automatiqueS avec Light Gradient Boosting Machine(LightGBM), LIME (Modèle d’interprétabilité) et OpenCV. Vous pouvez utiliser ces outils pour créer de puissants modèles prédictifs sur n'importe quel cluster Spark, comme Azure Databricks ou Cosmic Spark.
SynapseML apporte également des capacités de mise en réseau à l'écosystème Spark. Avec le projet HTTP sur Spark, les utilisateurs peuvent intégrer n'importe quel service web à leurs modèles SparkML. En outre, SynapseML fournit des outils faciles à utiliser pour orchestrer Azure AI Services à grande échelle. Pour un déploiement de niveau production, le projet Spark Serving offre des services web à haut débit et à latence inférieure à la milliseconde, soutenus par votre cluster Spark.
| Élément | Description |
|---|---|
| Type | Infrastructure de Machine Learning et de microservices open source et distribuée pour Apache Spark |
| Langues prises en charge | Scala, Java, Python, R et .NET |
| Phases de Machine Learning | Préparation des données Apprentissage du modèle Déploiement |
| Principaux avantages | Extensibilité Compatible streaming + service Tolérance de panne |
| Considérations | Apache Spark requis |
Contributeurs
Cet article est géré par Microsoft. Il a été écrit à l’origine par les contributeurs suivants.
Principaux auteurs :
- Mahdi Setayesh | Ingénieur logiciel principal
Étapes suivantes
- Découvrez tous les produits de développement d’intelligence artificielle (IA) disponibles à partir de La plateforme Microsoft AI.
- Obtenez une formation sur le développement de solutions IA et Machine Learning avec Microsoft : Formation Microsoft Learn.
- Découvrez plus d’informations sur Microsoft Fabric : Microsoft Fabric.
- Découvrez les services Azure AI : services Azure AI.
- Explorez Azure Machine Learning : Azure Machine Learning.
- Découvrez Azure Databricks : Azure Databricks.
- Découvrez Azure Synapse Analytics : Azure Synapse Analytics.
- Explorez Azure SQL Managed Instance Machine Learning Services : Azure SQL Managed Instance Machine Learning Services.