Confrontare i prodotti e le tecnologie di machine learning Microsoft
Informazioni sui prodotti e le tecnologie di Machine Learning di Microsoft. Confrontare le opzioni per scegliere come compilare, distribuire e gestire in modo più efficace le soluzioni di Machine Learning.
Prodotti di Machine Learning basati sul cloud
Le opzioni seguenti sono disponibili per Machine Learning nel cloud di Azure.
| Opzioni cloud | Che cos'è | Cosa permette di fare |
|---|---|---|
| Azure Machine Learning | Piattaforma gestita per Machine Learning | Usare un modello con training preliminare o eseguire il training, distribuire e gestire i modelli in Azure usando Python e l'interfaccia della riga di comando. Include funzionalità come l'apprendimento automatico (AutoML), il flusso dei prompt, il catalogo dei modelli e l'integrazione MLflow. Tenere traccia e comprendere le prestazioni del modello durante l'ambiente di produzione |
| Microsoft Fabric | Piattaforma di analisi unificata | Gestire l'intero ciclo di vita dei dati, dall'inserimento alle informazioni dettagliate, con una piattaforma completa che integra vari servizi e strumenti per i professionisti dei dati, tra cui data engineer, data scientist e business analyst |
| Servizi di Azure AI | Funzionalità di intelligenza artificiale predefinite implementate tramite API REST e SDK | Creare applicazioni intelligenti usando linguaggi di programmazione standard che chiamano API che forniscono inferenza. Anche se l'apprendimento automatico e l'esperienza di data science sono ancora ideali per avere, questa piattaforma può essere adottata anche dai team di progettazione senza tali competenze |
| Machine Learning Services sull’istanza gestita di SQL di Azure | Machine Learning nel database per SQL | Eseguire il training e la distribuzione di modelli all'interno dell’istanza gestita di SQL di Azure |
| Machine Learning in Azure Synapse Analytics | Servizio di analisi con Machine Learning | Eseguire il training e distribuire modelli all'interno di Azure Synapse Analytics |
| Azure Databricks | Piattaforma di analisi basata su Apache Spark | Compilare e distribuire modelli e flussi di lavoro di dati usando le integrazioni con librerie di Machine Learning open source e la piattaforma MLFlow. |
Prodotto di Machine Learning locale
L'opzione seguente è disponibile per Machine Learning in locale. Anche i server locali possono essere eseguiti in una macchina virtuale nel cloud.
| Locale | Che cos'è | Cosa permette di fare |
|---|---|---|
| Machine Learning Services per SQL Server | Machine Learning nel database per SQL | Eseguire il training e la distribuzione di modelli all'interno di SQL Server usando script Python e R |
Piattaforme e strumenti di sviluppo
Le piattaforme e gli strumenti di sviluppo seguenti sono disponibili per Machine Learning.
| Piattaforme/strumenti | Che cos'è | Cosa permette di fare |
|---|---|---|
| Studio AI della piattaforma Azure | Ambiente di sviluppo unificato per scenari di intelligenza artificiale e Machine Learning | Sviluppare, valutare e distribuire modelli e applicazioni di intelligenza artificiale. Facilita la collaborazione e la gestione dei progetti in vari servizi di intelligenza artificiale di Azure e può anche essere usato come ambiente comune tra più team del carico di lavoro. |
| Azure Machine Learning Studio | Strumento collaborativo, trascinamento della selezione per Machine Learning | Compilare, testare e distribuire soluzioni di analisi predittiva con codifica minima. Supporta un'ampia gamma di algoritmi di Machine Learning e modelli di intelligenza artificiale. Include strumenti per la preparazione dei dati, il training del modello e la valutazione. |
| Macchina virtuale di data science di Azure | Immagine della macchina virtuale con strumenti di data science preinstallati | Sviluppare soluzioni di Machine Learning nelle proprie macchine virtuali con questo ambiente preconfigurato con strumenti come Jupyter, R e Python. |
| ML.NET | SDK di Machine Learning open source multipiattaforma | Sviluppare soluzioni di Machine Learning per applicazioni .NET. |
| Intelligenza artificiale Windows | Motore di inferenza per i modelli sottoposti a training nei dispositivi Windows | Piattaforma che integra le funzionalità di intelligenza artificiale nelle applicazioni Windows usando componenti come Windows Machine Learning (WinML) e Direct Machine Learning (DirectML) per la valutazione del modello di intelligenza artificiale locale e in tempo reale e l'accelerazione hardware. |
| SynapseML | Framework open source di microservizi e Machine Learning distribuito per Apache Spark | Creare e distribuire applicazioni di Machine Learning scalabili per Scala e Python. |
| Estensione di Machine Learning per Azure Data Studio | Estensione di Machine Learning open source e multipiattaforma per Azure Data Studio | Gestire i pacchetti, importare modelli di Machine Learning, eseguire stime e creare notebook per eseguire esperimenti per i database SQL |
Azure Machine Learning
Azure Machine Learning è un servizio cloud completamente gestito che viene usato per eseguire il training di modelli di Machine Learning, distribuirli e gestirli su larga scala. Supporta completamente le tecnologie open source e consente pertanto di usare decine di migliaia di pacchetti Python open source quali TensorFlow, PyTorch e scikit-learn. Sono disponibili anche strumenti avanzati, ad esempio istanze di calcolo, notebook di Jupyter o l'estensione Azure Machine Learning per Visual Studio Code (VS Code), un'estensione gratuita che consente di gestire le risorse, modellare flussi di lavoro di training e distribuzioni in Visual Studio Code. Azure Machine Learning include anche funzionalità che consentono di automatizzare la generazione e l'ottimizzazione dei modelli in modo semplice, efficiente e accurato.
Usare l’SDK Python, i notebook Jupyter, R e CLI per Machine Learning su scala cloud. Per un'opzione con uso limitato di codice o senza codice, usare la finestra di progettazione interattiva di Azure Machine Learning per compilare, testare e distribuire modelli in modo semplice e rapido usando algoritmi di Machine Learning predefiniti. Azure Machine Learning offre inoltre l'integrazione con Azure DevOps e GitHub Actions per l'integrazione continua e la distribuzione continua (CI/CD) dei modelli di Machine Learning.
| Articolo | Descrizione |
|---|---|
| Tipo | Soluzione di Machine Learning basati sul cloud |
| Lingue supportate | Python, R |
| Fasi di Machine Learning | Preparazione dei dati Training del modello Distribuzione MLOps/Gestione Intelligenza artificiale responsabile |
| Vantaggi principali | Opzioni di creazione dell'interfaccia Web code first (SDK) e della finestra di progettazione con trascinamento della selezione Studio. Gestione centrale degli script e della cronologia di esecuzione, semplificando il confronto tra più versioni dei modelli. Semplicità di distribuzione e gestione dei modelli nel cloud o in dispositivi perimetrali. Offre training, distribuzione e gestione scalabili dei modelli di Machine Learning. |
| Considerazioni | È necessaria una certa conoscenza del modello di gestione dei modelli. |
Servizi di Azure AI
I servizi di intelligenza artificiale di Azure sono una suite completa di API predefinite che consentono agli sviluppatori e alle organizzazioni di creare rapidamente applicazioni intelligenti e pronte per il mercato. Questi servizi offrono API e SDK predefiniti e personalizzabili che consentono alle app di visualizzare, ascoltare, parlare, comprendere e interpretare le esigenze degli utenti con codice minimo, rendendo superfluo portare set di dati o competenze di data science per eseguire il training dei modelli. È possibile aggiungere funzionalità intelligenti alle app, ad esempio:
- Visione: rilevamento degli oggetti, riconoscimento facciale, riconoscimento ottico dei caratteri (OCR) e così via. Per altre informazioni, vedere Visione artificiale, Face, Document Intelligence.
- Voce: riconoscimento vocale, sintesi vocale, riconoscimento del parlante e così via. Per altre informazioni, vedere Servizio Voce.
- Lingua: traduzione, analisi del sentiment, estrazione di frasi chiave, comprensione della lingua e così via. Per altre informazioni, vedere Servizi OpenAI di Azure, Traduttore, Strumento di lettura immersiva, Servizio Bot e Servizi linguistici.
- Decisione: rilevare contenuti indesiderati e prendere decisioni informate sulla sicurezza dei contenuti.
- Ricerca e conoscenza: offrire funzionalità di ricerca cloud e knowledge mining basate sull'intelligenza artificiale alle app. Per altre informazioni, vedere Ricerca di intelligenza artificiale di Azure.
Usare i Servizi Azure AI per sviluppare app tra dispositivi e piattaforme diverse. Le API vengono migliorate continuamente e sono facili da installare.
| Articolo | Descrizione |
|---|---|
| Tipo | API per la creazione di applicazioni intelligenti |
| Lingue supportate | Varie opzioni a seconda del servizio. Quelle standard sono C#, Java, JavaScript e Python. |
| Fasi di Machine Learning | Distribuzione |
| Vantaggi principali | Creare applicazioni intelligenti usando modelli con training preliminare disponibili tramite l'API REST e l'SDK. Varietà di modelli per metodi di comunicazione naturali con visione, voce, linguaggio e decisione. Nessuna o minima esperienza di Machine Learning o data science necessaria. Scalabilità e flessibilità. Varietà di modelli. |
Machine Learning SQL
SQL Machine Learning aggiunge analisi statistiche, visualizzazione dei dati e analisi predittiva in Python e R per i dati relazionali, sia in locale che nel cloud. Le piattaforme e gli strumenti correnti includono:
- Machine Learning Services per SQL Server
- Machine Learning Services sull’istanza gestita di SQL di Azure
- Machine Learning in Azure Synapse Analytics
- Estensione di Machine Learning per Azure Data Studio
Usare SQL Machine Learning quando si necessita di intelligenza artificiale incorporata e di analisi predittive su dati relazionali in SQL.
| Articolo | Descrizione |
|---|---|
| Tipo | Analisi predittiva locale per i dati relazionali |
| Lingue supportate | Python, R, SQL |
| Fasi di Machine Learning | Preparazione dei dati Training del modello Distribuzione |
| Vantaggi principali | Possibilità di incapsulare la logica predittiva in una funzione di database, con conseguente possibilità di includere facilmente anche la logica a livello dati. |
| Considerazioni | Si presuppone la presenza di un database di SQL Server come livello dati per l'applicazione. |
Studio AI della piattaforma Azure
Azure AI Studio è una piattaforma unificata per lo sviluppo e la distribuzione responsabile delle applicazioni di intelligenza artificiale generative e delle API di intelligenza artificiale di Azure. Offre un set completo di funzionalità di intelligenza artificiale, un'interfaccia utente semplificata e esperienze code-first, che lo rendono uno strumento unico per la creazione, il test, la distribuzione e la gestione di soluzioni intelligenti. Progettato per aiutare sviluppatori e data scientist a creare e distribuire in modo efficiente applicazioni di intelligenza artificiale generative usando le offerte di intelligenza artificiale estese di Azure, Azure AI Studio enfatizza lo sviluppo responsabile dell'intelligenza artificiale con principi incorporati di equità, trasparenza e responsabilità. La piattaforma include strumenti per il rilevamento delle distorsioni, l'interpretazione e il mantenimento della privacy di Machine Learning, assicurando che i modelli di intelligenza artificiale siano potenti, affidabili e conformi ai requisiti normativi. Nell'ambito dell'ecosistema Azure di Microsoft, AI Studio offre strumenti e servizi affidabili per soddisfare diverse esigenze di intelligenza artificiale e machine learning, dall'elaborazione del linguaggio naturale alla visione artificiale. L'integrazione con altri servizi di Azure garantisce scalabilità e prestazioni senza problemi, rendendola ideale per le aziende. Azure AI Studio promuove anche la collaborazione e l'innovazione, supportando un ambiente collaborativo con funzionalità come aree di lavoro condivise, controllo della versione e ambienti di sviluppo integrati. Grazie all'integrazione di framework e strumenti open source diffusi, Azure AI Studio accelera il processo di sviluppo, consentendo alle organizzazioni di promuovere l'innovazione e di rimanere avanti nel panorama competitivo dell'IA.
| Articolo | Descrizione |
|---|---|
| Tipo | Ambiente di sviluppo unificato per l'IA |
| Lingue supportate | Solo Python |
| Fasi di Machine Learning | Preparazione dei dati Distribuzione (modelli come servizio) |
| Vantaggi principali | Facilita la collaborazione e la gestione dei progetti in vari servizi di intelligenza artificiale di Azure. Fornisce strumenti completi per la creazione, il training e la distribuzione di modelli di intelligenza artificiale. Enfatizza l'intelligenza artificiale responsabile con strumenti per il rilevamento, l'interpretazione e il mantenimento della privacy di Machine Learning. Supporta l'integrazione con framework e strumenti open source più diffusi. Include il flusso di richieste Microsoft per la creazione e la gestione di flussi di lavoro basati su prompt, semplificando il ciclo di sviluppo di applicazioni di intelligenza artificiale basate su modelli di linguaggio di grandi dimensioni. |
Studio di Azure Machine Learning
Azure Machine Learning Studio è uno strumento collaborativo di trascinamento della selezione per la compilazione, il test e la distribuzione di soluzioni di analisi predittiva sui dati. È progettato per data scientist, data engineer e business analyst. studio di Azure Machine Learning supporta un'ampia gamma di algoritmi e strumenti di Machine Learning per la preparazione dei dati, il training del modello e la valutazione. Fornisce anche un'interfaccia visiva per la connessione di set di dati e moduli in un'area di disegno interattiva.
| Articolo | Descrizione |
|---|---|
| Tipo | Strumento collaborativo, trascinamento della selezione per Machine Learning |
| Lingue supportate | Python, R, Scala e Java (esperienza limitata) |
| Fasi di Machine Learning | Preparazione dei dati Training del modello Distribuzione |
| Vantaggi principali | Nessuna codifica necessaria per creare modelli di Machine Learning. Supporta un'ampia gamma di algoritmi e strumenti di Machine Learning per la preparazione dei dati, il training del modello e la valutazione. Fornisce un'interfaccia visiva per la connessione di set di dati e moduli in un'area di disegno interattiva. Supporta l'integrazione con Azure Machine Learning per attività avanzate di Machine Learning. |
Per un confronto compressivo tra studio di Azure Machine Learning e Azure AI Studio, vedere AI Studio o Azure Machine Learning Studio. Ecco alcune differenze principali tra i due:
| Categorie | Funzionalità | Studio AI della piattaforma Azure | Studio di Azure Machine Learning |
|---|---|---|---|
| Archiviazione dati | Soluzioni di archiviazione | No | Sì (file system cloud, OneLake, Archiviazione di Azure) |
| Preparazione dei dati | Integrazione dei dati | Sì (archiviazione BLOB, OneLake, ADLS) | Sì (copia e montaggio con account Archiviazione di Azure) |
| Sviluppo | Strumenti code-first | Sì (Visual Studio Code (VS Code)) | Sì (Notebook, Jupyter, VS Code, R Studio) |
| Lingue | Lingue supportate | Solo Python | Python, R, Scala, Java |
| Formazione | AutoML | No | Sì (regressione, classificazione, previsione, CV, NLP) |
| Destinazioni di calcolo | Calcolo di training | Serverless (MaaS, flusso prompt) | Cluster Spark, cluster ml, Azure Arc |
| IA generativa | Catalogo LLM | Sì (Azure OpenAI, Hugging Face, Meta) | Sì (Azure OpenAI, Hugging Face, Meta) |
| Distribuzione | Gestione in tempo reale e batch | In tempo reale (MaaS) | Endpoint batch, Azure Arc |
| Governance | Strumenti di intelligenza artificiale responsabili | No | Sì (dashboard di intelligenza artificiale responsabile) |
Microsoft Fabric
Microsoft Fabric è una piattaforma di analisi unificata end-to-end che riunisce tutti gli strumenti di analisi e dati necessari alle organizzazioni. Integra vari servizi e strumenti per offrire un'esperienza ottimale per i professionisti dei dati, tra cui data engineer, data scientist e business analyst. Microsoft Fabric offre funzionalità di integrazione dei dati, ingegneria dei dati, data warehousing, data science, analisi in tempo reale e business intelligence.
Usare Microsoft Fabric quando è necessaria una piattaforma completa per gestire l'intero ciclo di vita dei dati, dall'inserimento alle informazioni dettagliate.
| Articolo | Descrizione |
|---|---|
| Tipo | Piattaforma di analisi unificata |
| Lingue supportate | Python, R, SQL, Scala |
| Fasi di Machine Learning | Preparazione dei dati Training del modello Distribuzione Analisi in tempo reale |
| Vantaggi principali | Piattaforma unificata per tutte le esigenze di dati e analisi. Integrazione senza problemi con altri servizi Microsoft. Scalabile e flessibile. Supporta un'ampia gamma di strumenti di analisi e dati. Facilita la collaborazione tra diversi ruoli in un'organizzazione. Gestione del ciclo di vita dei dati end-to-end dall'inserimento alle informazioni dettagliate. Funzionalità di business intelligence e analisi in tempo reale. Supporta il training e la distribuzione dei modelli di Machine Learning. Integrazione con i framework e gli strumenti di Machine Learning più diffusi. Fornisce strumenti per la preparazione dei dati e la progettazione delle funzionalità. Abilita l'inferenza e l'analisi di Machine Learning in tempo reale. |
Data Science Virtual Machine di Azure
Data Science Virtual Machine di Azure è un ambiente di macchina virtuale personalizzato nel cloud di Microsoft Azure. È disponibile nelle versioni sia per Windows che per Linux Ubuntu. L'ambiente è progettato specificamente per data science e sviluppo di soluzioni machine learning. Include diversi strumenti comuni per data science, framework marchine learning e altri strumenti preinstallati e preconfigurati per implementare rapidamente la creazione di applicazioni intelligenti per l'analisi avanzata.
Usare la macchina virtuale di data science quando è necessario eseguire oppure ospitare processi in un singolo nodo. o se è necessario aumentare in modo remoto le prestazioni di elaborazione in un singolo computer.
| Articolo | Descrizione |
|---|---|
| Tipo | Ambiente di macchine virtuali personalizzato per data science |
| Vantaggi principali | Riduzione del tempo necessario per installare, gestire e risolvere i problemi relativi ai framework e agli strumenti di data science. Sono incluse le versioni più recenti di tutti i framework e gli strumenti comuni. Le opzioni delle macchine virtuali includono immagini altamente scalabili con funzionalità di unità di elaborazione grafica (GPU) per la modellazione intensiva dei dati. |
| Considerazioni | La macchina virtuale non è accessibile in modalità offline. L'esecuzione di una macchina virtuale comporta costi di Azure ed è quindi necessario fare attenzione ad eseguirla solo quando è effettivamente necessario. |
Azure Databricks
Azure Databricks è una piattaforma di analisi basata su Apache Spark ottimizzata per la piattaforma cloud di Microsoft Azure. Databricks è integrato con Azure per offrire l'installazione con un clic, flussi di lavoro semplificati e un'area di lavoro interattiva che consente la collaborazione tra data scientist, ingegneri dei dati e business analyst. Usare i codici Python, R, Scala e SQL nei notebook basati sul Web per eseguire una query, visualizzare e modellare i dati.
Usare Databricks quando si desidera collaborare alla creazione di soluzioni di machine learning in Spark Apache.
| Articolo | Descrizione |
|---|---|
| Tipo | Piattaforma di analisi basata su Apache Spark |
| Lingue supportate | Python, R, Scala, SQL |
| Fasi di Machine Learning | Preparazione dei dati Pre-elaborazione dei dati Training del modello Ottimizzazione del modello Inferenza del modello Gestione Distribuzione |
| Vantaggi principali | Configurazione con un clic e flussi di lavoro semplificati per un uso semplice. Area di lavoro interattiva per la collaborazione. Integrazione perfetta con Azure. Scalabilità per gestire set di dati di grandi dimensioni e calcoli intensivi. Supporto per vari linguaggi e integrazione con gli strumenti più diffusi. |
ML.NET
ML.NET è un framework di Machine Learning open source e multipiattaforma. Con ML.NET, è possibile compilare soluzioni di Machine Learning personalizzate e integrarle nelle applicazioni .NET. ML.NET offre diversi livelli di interoperabilità con framework diffusi come TensorFlow e ONNX per il training e l'assegnazione dei punteggi ai modelli di Machine Learning e Deep Learning. Per attività a elevato utilizzo di risorse, ad esempio il training dei modelli di classificazione delle immagini, è possibile sfruttare Azure per eseguire il training dei modelli nel cloud.
Usare ML.NET quando si desidera integrare soluzioni di machine learning nelle applicazioni .NET. Scegliere tra l’API per un'esperienza code-first e Model Builder o l'interfaccia della riga di comando per un'esperienza con uso limitato di codice.
| Articolo | Descrizione |
|---|---|
| Tipo | Framework multipiattaforma open source per lo sviluppo di applicazioni di Machine Learning personalizzate con .NET |
| Linguaggi supportati | C#, F# |
| Fasi di Machine Learning | Preparazione dei dati Formazione Distribuzione |
| Vantaggi principali | Non sono richieste esperienze di data science e machine learning Utilizzare strumenti e linguaggi familiari (Visual Studio, Microsoft Visual Studio Code) Distribuire la posizione in cui viene eseguito .NET Estensibilità Scalabile Esperienza local-first AutoML per le attività di Machine Learning automatizzate |
Intelligenza artificiale Windows
L'intelligenza artificiale Windows per intelligenza artificiale di Windows è una piattaforma potente che integra le funzionalità di intelligenza artificiale nelle applicazioni Windows, usando i punti di forza di Windows Machine Learning (WinML) e Direct Machine Learning (DirectML) per fornire la valutazione del modello di intelligenza artificiale locale in tempo reale e l'accelerazione hardware. WinML consente agli sviluppatori di integrare i modelli di Machine Learning sottoposti a training direttamente nelle applicazioni Windows. Facilita la valutazione locale in tempo reale dei modelli, consentendo potenti funzionalità di intelligenza artificiale senza la necessità di connettività cloud.
DirectML è una piattaforma con accelerazione hardware ad alte prestazioni per l'esecuzione di modelli di Machine Learning. Usa l'API DirectX per offrire prestazioni ottimizzate in hardware diversificato, incluse GPU e acceleratori di intelligenza artificiale.
Usare Windows per intelligenza artificiale quando si vogliono usare modelli di Machine Learning sottoposti a training nelle applicazioni Windows.
| Articolo | Descrizione |
|---|---|
| Tipo | Motore di inferenza per i modelli con training eseguito nei dispositivi Windows |
| Fasi di Machine Learning | Preparazione dei dati Training del modello Distribuzione |
| Linguaggi supportati | C#/C++, JavaScript |
| Vantaggi principali | Valutazione del modello di intelligenza artificiale locale e in tempo reale Ottenere l'elaborazione di intelligenza artificiale ad alte prestazioni in vari tipi di hardware, tra cui CPU, GPU e acceleratori di intelligenza artificiale Garantisce un comportamento e prestazioni coerenti in diversi hardware Windows. |
SynapseML
SynapseML (precedentemente noto come MMLSpark) è una libreria open source che semplifica la creazione di pipeline di Machine Learning altamente scalabili. SynapseML fornisce API per un'ampia gamma di attività di Machine Learning diverse, ad esempio analisi del testo, visione, rilevamento delle anomalie e molte altre. SynapseML è basato sul framework di calcolo distribuito Apache Spark e condivide la stessa API della libreria SparkML/MLLib, consentendo di incorporare facilmente i modelli SynapseML nei flussi di lavoro Apache Spark esistenti.
SynapseML aggiunge molti strumenti di deep learning e data science all'ecosistema Spark, tra cui una facile integrazione delle pipeline di Spark Machine Learning con Microsoft Cognitive Toolkit (CNTK), LightGBM, LIME (interpretabilità del modello) e OpenCV. È possibile usare questi strumenti per creare potenti modelli predittivi in qualsiasi cluster Spark, ad esempio Azure Databrickso Cosmic Spark.
SynapseML offre anche nuove funzionalità di rete all'ecosistema Spark. Con il progetto HTTP on Spark, gli utenti possono incorporare qualsiasi servizio Web nei modelli SparkML. SynapseML offre anche strumenti facili da usare per orchestrare Servizi Azure AI su larga scala. Per la distribuzione a livello di produzione, il progetto Spark Serving consente servizi Web con velocità effettiva elevata e latenza di sottomillisecondi, supportati dal cluster Spark.
| Articolo | Descrizione |
|---|---|
| Tipo | Framework open source di microservizi e Machine Learning distribuito per Apache Spark |
| Linguaggi supportati | Scala, Java, Python, R e .NET |
| Fasi di Machine Learning | Preparazione dei dati Training del modello Distribuzione |
| Vantaggi principali | Scalabilità Streaming e compatibilità con la pubblicazione Tolleranza di errore |
| Considerazioni | Richiede Apache Spark |
Collaboratori
Questo articolo viene gestito da Microsoft. Originariamente è stato scritto dai seguenti contributori.
Autori principali:
- Mahdi Setayesh | Principal Software Engineer
Passaggi successivi
- Informazioni su tutti i prodotti di sviluppo di intelligenza artificiale (IA) disponibili in Microsoft: Piattaforma di intelligenza artificiale Microsoft.
- Formazione per lo sviluppo di soluzioni di intelligenza artificiale e Machine Learning con Microsoft: formazione di Microsoft Learn.
- Altre informazioni su Microsoft Fabric: Microsoft Fabric.
- Individuare i servizi di intelligenza artificiale di Azure: servizi di intelligenza artificiale di Azure.
- Esplorare Azure Machine Learning: Azure Machine Learning.
- Informazioni su Azure Databricks: Azure Databricks.
- Informazioni su Azure Synapse Analytics: Azure Synapse Analytics.
- Esplorare Istanza gestita di SQL di Azure Machine Learning Services: Istanza gestita di SQL di Azure Machine Learning Services.