Partager via


Qu’est-il arrivé à Azure Batch IA ?

Le service IA Azure Batch a été mis hors service. Les fonctionnalités de formation à grande échelle de Batch AI sont disponibles dans le service Azure Machine Learning. Migrez dès aujourd’hui.

En plus de nombreuses autres fonctionnalités d’apprentissage automatique, le service Azure Machine Learning comprend une cible de calcul managée basée sur le cloud pour l’apprentissage et le scoring par lots de modèles Machine Learning. Cette cible de calcul est appelée Calcul Azure Machine Learning et étend toutes les fonctionnalités du service Batch AI déconseillé. Commencez à migrer et à l’utiliser dès aujourd’hui. Vous pouvez interagir avec le service Azure Machine Learning via son Kit de développement logiciel (SDK) Python, son interface de ligne de commande et le Portail Azure.

Chronologie de prise en charge

Vous pouvez utiliser vos abonnements Azure Batch IA existants pour une période de grâce uniquement, mais le service est officiellement mis hors service sans prise en charge des contrats SLA. Aucune nouvelle inscription d’abonnement n’est possible et aucun autre investissement ou mise à jour n’est effectué.

Le service s’arrêtera bientôt sans autre préavis.

Migrez dès aujourd’hui.

Notes

Le service Azure Machine Learning n’est pas disponible dans les clouds Government (disponibilité générale prévue pour juin 2019), et nous continuerons à prendre en charge le service Batch AI dans cette région jusqu’alors.

Comparaison avec Azure Machine Learning

Il s’agit d’un service cloud que vous utilisez pour entraîner, déployer, automatiser et gérer des modèles Machine Learning, le tout à l’échelle très vaste fournie par le cloud. Obtenez une compréhension générale du service Azure Machine Learning dans cette vue d’ensemble.

Un cycle de vie de développement de modèle classique implique la préparation des données, l’entraînement et l’expérimentation, et une phase de déploiement. Ce cycle de bout en bout peut être orchestré avec des pipelines Machine Learning.

Diagramme de flux

Découvrez plus d’informations sur le fonctionnement du service et sur ses principaux concepts. Beaucoup des concepts du workflow d’entraînement des modèles sont similaires aux concepts existants dans Batch AI.

Plus précisément, voici un mappage de la façon dont vous pouvez les considérer :

Service Batch AI Service Azure Machine Learning
Espace de travail Espace de travail
Cluster Calcul de type AmlCompute
Serveurs de fichiers DataStores
Expériences Expériences
travaux Exécutions (autorise les exécutions imbriquées)

Voici une autre vue du même tableau, qui vous aidera à mieux visualiser les choses :

Hiérarchie Batch AI

Diagramme de flux

Hiérarchie du service Azure Machine Learning

Diagramme de flux

Fonctionnalités de la plateforme

Le service Azure Machine Learning offre un ensemble complet de nouvelles fonctionnalités, notamment une pile d’entraînement-déploiement> de bout en bout que vous pouvez utiliser pour votre développement IA sans avoir à gérer des ressources Azure. Ce tableau compare la prise en charge des fonctionnalités pour l’entraînement entre les deux services.

Fonctionnalité Service Batch AI Service Azure Machine Learning
Choix de taille de machine virtuelle UC/GPU UC/GPU. Prend également en charge FPGA pour l’inférence
Cluster prêt pour l’intelligence artificielle (pilotes, Docker, etc.) Oui Oui
Préparation des nœuds Oui Non
Choix de famille de systèmes d’exploitation Partiel Non
Machines virtuelles dédiées et de basse priorité Oui Oui
Mise à l’échelle automatique Yes Oui (par défaut)
Temps d’attente pour la mise à l’échelle automatique Non Oui
SSH Oui Oui
Montage au niveau du cluster Oui (Partages de fichiers, Objets Blob, NFS, Personnalisé) Oui (monter ou télécharger votre magasin de données)
Entraînement distribué Oui Oui
Mode d’exécution des travaux Machine virtuelle ou conteneur Conteneur
Image de conteneur personnalisée Oui Oui
N’importe quel kit de ressources Yes Oui (Exécuter un script Python)
JobPreparation Yes Pas encore
Montage au niveau du travail Oui (Partages de fichiers, Objets Blob, NFS, Personnalisé) Oui (Partages de fichiers, Objets Blob)
Supervision des travaux via GetJob via l’historique d’exécution (informations plus détaillées, exécution personnalisée pour envoyer plus de métriques)
Récupérer les journaux d’activité des travaux et les fichiers/modèles via les API ListFiles et Stockage via le service d’artefact
Prise en charge de Tensorboard Non Oui
Quotas au niveau des familles de machines virtuelles Yes Oui (avec votre capacité précédente reportée)

En plus du tableau précédent, il existe des fonctionnalités dans le service Azure Machine Learning qui n’étaient traditionnellement pas prises en charge dans Batch AI.

Fonctionnalité Service Batch AI Service Azure Machine Learning
Préparation de l’environnement No Oui (Préparation et chargement Conda dans ACR)
Optimisation des hyperparamètres Non Oui
La gestion des modèles Non Oui
Opérationnalisation/Déploiement No Via AKS et ACI
Préparation des données Non Oui
Cibles de calcul Machines virtuelles Azure Locales, Batch AI (comme AmlCompute), DataBricks, HDInsight
Machine Learning automatisé Non Oui
Pipelines Non Oui
Scoring par lots Oui Oui
Prise en charge du portail/CLI Oui Oui

Interfaces de programmation

Ce tableau présente les différentes interfaces de programmation disponibles pour chaque service.

Fonctionnalité Service Batch AI Service Azure Machine Learning
Kit SDK Java, C#, Python, Node.js Python (basé sur la configuration de l’exécution et basé sur un estimateur pour les frameworks courants)
Interface de ligne de commande Yes Pas encore
Portail Azure Oui Oui (à l’exception de la soumission de travaux)
API REST Oui Oui, mais distribué entre des microservices

La mise à niveau de Batch AI en préversion vers Azure Machine Learning service en disponibilité générale vous donne une meilleure expérience au travers de concepts qui sont plus faciles à utiliser, comme des estimateurs et des magasins de données. Il garantit également les contrats SLA et le support technique des clients du service Azure au niveau de la disponibilité générale.

Azure Machine Learning service offre également de nouvelles fonctionnalités, comme le Machine Learning automatisé, le réglage des hyperparamètres et les pipelines Machine Learning, qui sont utiles dans la plupart des charges de travail d’intelligence artificielle de grande échelle. La possibilité de déployer un modèle formé sans passer à un service distinct permet de terminer la boucle de science des données, depuis la préparation des données (avec le Kit de développement logiciel de préparation des données) jusqu’à l’opérationnalisation et à la supervision du modèle.

Migrate

Découvrez comment migrer et comment le code que vous utilisez correspond au code dans le service Azure Machine Learning dans l’article Migrer vers le service Azure Machine Learning.

Obtenir de l’aide

Batch AI a été mis hors service et bloque déjà l’inscription de nouveaux abonnements auprès du service. Contactez-nous sur Azure Batch AI Training Preview pour poser vos questions ou pour nous donner un feedback sur votre migration vers le service Azure Machine Learning.

Le service Azure Machine Learning est en disponibilité générale. Cela signifie qu’il est fourni avec un contrat SLA validé et un choix de différents plans de support.

La tarification de l’utilisation de l’infrastructure Azure par le biais du service Batch AI ou du service Azure Machine Learning ne doit pas varier, car nous facturons uniquement le prix du calcul sous-jacent dans les deux cas. Pour plus d’informations, consultez la calculatrice de prix.

Vous trouverez la disponibilité des deux services selon les régions sur le portail Azure.

Étapes suivantes