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.
| Opzione cloud | Descrizione | Funzionalità e usi |
|---|---|---|
| Azure Machine Learning | Piattaforma gestita per Machine Learning | Usare un modello preaddestrato oppure addestrare, distribuire e gestire modelli su Azure utilizzando Python e una CLI. Machine Learning include funzionalità come Machine Learning automatizzato (AutoML), flusso di richieste, catalogo di modelli e integrazione MLflow. È possibile tenere traccia e comprendere le prestazioni del modello durante la fase di produzione. |
| Microsoft Fabric | Piattaforma di analisi unificata | Gestire l'intero ciclo di vita dei dati, dall'inserimento alle informazioni dettagliate, usando una piattaforma completa che integra vari servizi e strumenti per i professionisti dei dati, inclusi data engineer, data scientist e business analyst. |
| Servizi AI di Azure | Funzionalità di intelligenza artificiale predefinite implementate tramite API REST e SDK | Creare applicazioni intelligenti usando linguaggi di programmazione standard. Queste lingue chiamano API che forniscono inferenza. Anche se è consigliabile avere esperienza di Machine Learning e data science, i team di progettazione che non hanno queste competenze possono anche adottare questa piattaforma. |
| di Machine Learning Services per Istanza gestita di SQL di Azure | Machine Learning nel database per SQL | Eseguire il training e la distribuzione di modelli all'interno di un'Istanza gestita di SQL. |
| Machine Learning in Azure Synapse Analytics | Servizio di analisi che usa Machine Learning | Eseguire il training e la distribuzione di modelli all'interno di Azure Synapse Analytics. |
| Azure Databricks | Piattaforma di analisi basata su Apache Spark | Creare e distribuire modelli e flussi di lavoro di dati integrando le 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. I server locali possono essere eseguiti anche in una macchina virtuale (VM) nel cloud.
| Prodotto in sede | Descrizione | Funzionalità e usi |
|---|---|---|
| Servizi di machine learning 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.
| Piattaforma o strumento | Descrizione | Funzionalità e usi |
|---|---|---|
| portale di Azure AI Foundry | Ambiente di sviluppo unificato per scenari di intelligenza artificiale e Machine Learning | Sviluppare, valutare e distribuire modelli e applicazioni di intelligenza artificiale. Il portale di Azure AI Foundry facilita la collaborazione e la gestione dei progetti tra vari servizi di intelligenza artificiale di Azure. È anche possibile usarlo come ambiente comune in più team del carico di lavoro. |
| di Azure Machine Learning Studio | Strumento collaborativo, trascinamento della selezione per Machine Learning | Compilare, testare e distribuire soluzioni di analisi predittiva usando codice minimo. Machine Learning Studio supporta un'ampia gamma di algoritmi di Machine Learning e modelli di intelligenza artificiale. Fornisce strumenti per la preparazione dei dati, il training del modello e la valutazione. |
| Macchina virtuale di data science di Azure | Immagine di macchina virtuale che include strumenti di data science preinstallati | Usare un ambiente preconfigurato con strumenti come Jupyter, R e Python per sviluppare soluzioni di Machine Learning nelle proprie macchine virtuali. |
| Microsoft ML.NET | SDK di Machine Learning open source multipiattaforma | Sviluppare soluzioni di Machine Learning per applicazioni .NET. |
| intelligenza artificiale per le app di Windows | Motore di inferenza per i modelli sottoposti a training nei dispositivi Windows | 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 pacchetti, importare modelli di Machine Learning, eseguire stime e creare notebook per eseguire esperimenti per i database SQL. |
Azure Machine Learning
Machine Learning è un servizio cloud completamente gestito che è possibile usare per eseguire il training, la distribuzione e la gestione di modelli di Machine Learning su larga scala. Supporta completamente le tecnologie open source, quindi è possibile usare decine di migliaia di pacchetti Python open source, ad esempio TensorFlow, PyTorch e scikit-learn.
Sono anche disponibili strumenti avanzati, ad esempio istanze di calcolo, notebook di Jupytero l'estensione Azure Machine Learning per Visual Studio Code (VS Code). L'estensione Machine Learning per VS Code è un'estensione gratuita che consente di gestire le risorse e i flussi di lavoro di training del modello e le distribuzioni in VS Code. Machine Learning include funzionalità che automatizzano la generazione e l'ottimizzazione dei modelli con facilità, efficienza e accuratezza.
Usare l’SDK Python, i notebook Jupyter, R e CLI per Machine Learning su scala cloud. Se si vuole un'opzione con poco codice o senza codice, usare Designer in studio. Designer aiuta a creare, testare e distribuire modelli in modo semplice e rapido, utilizzando algoritmi di apprendimento automatico predefiniti. È anche possibile integrare Machine Learning con Azure DevOps e GitHub Actions per l'integrazione continua e la distribuzione continua (CI/CD) dei modelli di Machine Learning.
| Funzionalità di Machine Learning | Descrizione |
|---|---|
| Tipo | Soluzione di Machine Learning basati sul cloud |
| Lingue supportate | -Pitone - R |
| Fasi di Machine Learning | - Preparazione dei dati - Addestramento del modello - Distribuzione - MLOps o gestione - Intelligenza artificiale responsabile |
| Vantaggi principali | - Opzioni di creazione con interfaccia web che include modalità code-first (SDK), studio, e trascina e rilascia - Gestione centrale degli script e della cronologia di esecuzione, che semplifica il confronto delle versioni del modello - Distribuzione e gestione semplificata dei modelli nei dispositivi cloud o perimetrali - Training, distribuzione e gestione scalabili dei modelli di Machine Learning |
| Considerazioni | Richiede una certa familiarità con il modello di gestione dei modelli. |
Servizi di Azure AI
servizi di intelligenza artificiale è 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. Queste funzionalità rendono inutili i set di dati o le competenze di data science per eseguire il training dei modelli. È possibile aggiungere funzionalità intelligenti alle app, ad esempio:
- Visione: include il rilevamento degli oggetti, il riconoscimento facciale e il riconoscimento ottico dei caratteri. Per altre informazioni, vedere Azure AI Vision, Azure AI Facee Azure AI Document Intelligence.
- Parlato: includono funzionalità di riconoscimento del parlato, sintesi vocale e riconoscimento vocale. Per altre informazioni, vedere Servizio Voce.
- Lingua: Include traduzione, analisi del sentiment, estrazione di frasi chiave e comprensione linguistica. Per altre informazioni, vedere azure OpenAI Service, Azure AI Translator, strumento di lettura immersiva per intelligenza artificiale di Azure, Bot Framework Composere azure AI Language.
- processo decisionale: Rilevare contenuti indesiderati e prendere decisioni informate. Per altre informazioni, vedere Azure AI Content Safety.
- Ricerca e conoscenze: Porta le funzionalità di ricerca cloud e di knowledge mining basate sull'Intelligenza Artificiale alle tue app. Per altre informazioni, vedere Ricerca di intelligenza artificiale di Azure.
Usare i servizi di intelligenza artificiale per sviluppare app tra dispositivi e piattaforme. Le API migliorano continuamente e sono facili da configurare.
| Funzionalità dei servizi di intelligenza artificiale | Descrizione |
|---|---|
| Tipo | API per la creazione di applicazioni intelligenti |
| Lingue supportate | Varie opzioni a seconda del servizio. Le opzioni standard sono C#, Java, JavaScript e Python. |
| Fasi di Machine Learning | Distribuzione |
| Vantaggi principali | - Creare applicazioni intelligenti usando modelli preaddestrati disponibili tramite API REST e SDK - Usare vari modelli per metodi di comunicazione naturale con funzionalità di visione, riconoscimento vocale, linguaggio e processo decisionale - Non è richiesta alcuna esperienza in machine learning oppure minima esperienza in data science. - Le API sono scalabili e flessibili - È possibile scegliere tra vari 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:
- Servizi di Machine Learning di SQL Server.
- Servizi di Machine Learning per SQL Managed Instance.
- Apprendimento automatico in Azure Synapse Analytics.
- Un'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.
| Funzionalità di Machine Learning per SQL | Descrizione |
|---|---|
| Tipo | Analisi predittiva locale per i dati relazionali |
| Lingue supportate | -Pitone - R -SQL |
| Fasi di Machine Learning | - Preparazione dei dati - Formazione del modello - Implementazione |
| Vantaggi principali | Incapsulare la logica predittiva in una funzione di database. Questo processo semplifica l'inclusione della logica del livello dati. |
| Considerazioni | Si supponga di usare un database SQL come livello dati per l'applicazione. |
Azure AI Foundry
Azure AI Foundry è una piattaforma unificata che è possibile usare per sviluppare e distribuire applicazioni di intelligenza artificiale generative e API di intelligenza artificiale di Azure in modo responsabile. Offre un set completo di funzionalità di intelligenza artificiale, un'interfaccia utente semplificata e esperienze code-first. Queste funzionalità lo rendono una piattaforma completa per la creazione, il test, la distribuzione e la gestione di soluzioni intelligenti.
Azure AI Foundry consente agli sviluppatori e ai data scientist di creare e distribuire in modo efficiente applicazioni di intelligenza artificiale generative usando le offerte di intelligenza artificiale di Azure. Sottolinea lo sviluppo di intelligenza artificiale responsabile e incorpora i principi di equità, trasparenza e responsabilità. La piattaforma include strumenti per il rilevamento delle distorsioni, l'interpretazione e l'apprendimento automatico con mantenimento della privacy. Questi strumenti consentono di garantire che i modelli di intelligenza artificiale siano potenti, affidabili e conformi ai requisiti normativi.
Nell'ambito dell'ecosistema di Microsoft Azure, Azure AI Foundry offre strumenti e servizi affidabili che soddisfano varie esigenze di intelligenza artificiale e machine learning, tra cui l'elaborazione del linguaggio naturale e la visione artificiale. L'integrazione con altri servizi di Azure consente di garantire scalabilità e prestazioni senza problemi, che lo rendono un'opzione ideale per le aziende.
Il portale di Azure AI Foundry promuove la collaborazione e l'innovazione fornendo 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 Foundry accelera il processo di sviluppo in modo che le organizzazioni possano promuovere l'innovazione e rimanere avanti nel panorama competitivo dell'IA.
| Funzionalità di Azure AI Foundry | Descrizione |
|---|---|
| Tipo | Ambiente di sviluppo unificato per l'IA |
| Lingue supportate | Solo Python |
| Fasi di Machine Learning | - Preparazione dei dati - Distribuzione (modelli come servizio (MaaS)) |
| Vantaggi principali | - Facilita la collaborazione e la gestione dei progetti tra vari servizi di IA - Fornisce strumenti completi per la creazione, il training e la distribuzione di modelli di intelligenza artificiale - Enfatizza l'IA responsabile fornendo strumenti per il rilevamento dei pregiudizi, l'interpretabilità e l'apprendimento automatico che preserva la privacy. - Supporta l'integrazione con framework e strumenti open source più diffusi - Include il flusso di prompt per la creazione e la gestione dei flussi di lavoro basati su prompt. Il flusso di prompt semplifica il ciclo di sviluppo delle applicazioni di intelligenza artificiale basate su modelli linguistici. |
Studio di Azure Machine Learning
Azure Machine Learning Studio è uno strumento collaborativo di drag-and-drop per la creazione, il test e la distribuzione di soluzioni di analisi predittiva sui tuoi dati. È progettato per data scientist, data engineer e business analyst. Machine Learning Studio 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.
| Funzionalità di Machine Learning Studio | Descrizione |
|---|---|
| Tipo | Strumento collaborativo, trascinamento della selezione per Machine Learning |
| Lingue supportate | -Pitone - R - Scala - Java (esperienza limitata) |
| Fasi di Machine Learning | - Preparazione dei dati - Addestramento del modello - Distribuzione |
| Vantaggi principali | - Non richiede codice 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 Machine Learning per le attività avanzate di Machine Learning |
Per un confronto completo tra Machine Learning Studio e il portale di Azure AI Foundry, vedere portale di Azure AI Foundry o Machine Learning Studio. La tabella seguente riepiloga le differenze principali tra di esse:
| Categorie | Funzionalità | Portale di Azure AI Foundry | Studio di Machine Learning |
|---|---|---|---|
| Archiviazione dei dati | Soluzioni di archiviazione | No | Sì (file system cloud, OneLake, Archiviazione di Azure) |
| preparazione dei dati | Integrazione dei dati | Sì (Archiviazione BLOB di Azure, OneLake, Azure Data Lake Storage) | Sì (copiare e montare usando gli account di archiviazione di Azure) |
| Sviluppo | Strumenti code-first | Sì (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) |
| obiettivi di calcolo | Calcolo di training | Serverless (MaaS, flusso prompt) | Cluster Spark, cluster di Machine Learning, Azure Arc |
| IA generativa | Catalogo dei modelli linguistici | 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
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. Fabric offre funzionalità di integrazione dei dati, ingegneria dei dati, data warehousing, data science, analisi in tempo reale e business intelligence.
Usare Fabric quando è necessaria una piattaforma completa per gestire l'intero ciclo di vita dei dati dall'inserimento alle informazioni dettagliate.
| Caratteristica del tessuto | Descrizione |
|---|---|
| Tipo | Piattaforma di analisi unificata |
| Lingue supportate | -Pitone - R -SQL - Scala |
| Fasi di Machine Learning | - Preparazione dei dati - Addestramento 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 ruoli diversi in un'organizzazione - Gestione del ciclo di vita dei dati end-to-end dall'inserimento alla comprensione - Funzionalità di business intelligence e analisi in tempo reale - Supporto per il training e la distribuzione dei modelli di Machine Learning - Integrazione con i framework e gli strumenti di Machine Learning più diffusi - Strumenti per la preparazione dei dati e la progettazione di funzionalità - Inferenza e analisi di Machine Learning in tempo reale |
Data Science Virtual Machine di Azure
Azure Data Science Virtual Machine è un ambiente macchina virtuale personalizzato nel cloud di Microsoft Azure. È disponibile nelle versioni sia per Windows che per Linux Ubuntu. L'ambiente è specifico per le attività di data science e lo sviluppo di soluzioni di Machine Learning. Include molte funzioni di data science comuni, framework di Machine Learning e altri strumenti preinstallati e preconfigurati in modo da poter iniziare a creare applicazioni intelligenti per l'analisi avanzata.
Usare la macchina virtuale per l'analisi scientifica dei dati quando è necessario eseguire o ospitare i processi in un singolo nodo o se è necessario aumentare in remoto l'elaborazione in un singolo computer.
| Funzionalità macchina virtuale per l'analisi scientifica dei dati di Azure | Descrizione |
|---|---|
| Tipo | Ambiente di macchine virtuali personalizzato per l'analisi scientifica dei dati |
| Vantaggi principali | - Tempo ridotto per l'installazione, la gestione e la risoluzione dei problemi relativi a strumenti e framework di data science - Include le versioni più recenti di strumenti e framework di uso comune - Include funzionalità di immagini altamente scalabili e unità di elaborazione grafica (GPU) per la modellazione dei dati a elevato utilizzo |
| Considerazioni | - Non è possibile accedere alla macchina virtuale quando è offline. - L'esecuzione di una macchina virtuale comporta addebiti per Azure, quindi è necessario assicurarsi che venga eseguita solo quando necessario. |
Azure Databricks
azure Databricks è una piattaforma di analisi basata su Apache Spark ottimizzata per la piattaforma cloud di Microsoft Azure. Azure Databricks è integrato con Azure per fornire la configurazione con un solo clic, flussi di lavoro semplificati e un'area di lavoro interattiva che consente la collaborazione tra data scientist, data engineer 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 Azure Databricks quando si vuole collaborare alla creazione di soluzioni di Machine Learning in Apache Spark.
| Funzionalità di Azure Databricks | Descrizione |
|---|---|
| Tipo | Piattaforma di analisi basata su Apache Spark |
| Lingue supportate | -Pitone - R - Scala -SQL |
| Fasi di Machine Learning | - Preparazione dei dati - Pre-elaborazione dei dati - Addestramento 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 facile 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 multipiattaforma. Usare ML.NET per creare soluzioni di Machine Learning personalizzate e integrarle nelle applicazioni .NET. ML.NET offre vari livelli di interoperabilità con framework diffusi come TensorFlow e ONNX per il training e l'assegnazione di punteggi a modelli di Machine Learning e Deep Learning. Per le attività a elevato utilizzo di risorse, ad esempio il training dei modelli di classificazione delle immagini, è possibile usare 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.
| ML.NET funzionalità | Descrizione |
|---|---|
| Tipo | Framework open source multipiattaforma per lo sviluppo di applicazioni di Machine Learning personalizzate con .NET |
| Lingue supportate | - C# - F# |
| Fasi di Machine Learning | - Preparazione dei dati -Formazione - Distribuzione |
| Vantaggi principali | - Nessun requisito per l'esperienza di data science o machine learning - Linguaggi e strumenti familiari come Visual Studio e VS Code - Distribuisce l'applicazione in cui viene eseguito .NET - Progettazione estendibile e scalabile - Esperienza prima locale - AutoML per le attività di Machine Learning automatizzate |
Intelligenza artificiale per le app di Windows
Usare 'intelligenza artificiale per le app di Windows per integrare le funzionalità di intelligenza artificiale nelle applicazioni Windows Usare le funzionalità WinML e DirectML per fornire la valutazione del modello di intelligenza artificiale locale e l'accelerazione hardware in tempo reale. WinML consente agli sviluppatori di integrare i modelli di Machine Learning sottoposti a training direttamente nelle applicazioni Windows. Semplifica la valutazione locale in tempo reale dei modelli e consente potenti funzionalità di intelligenza artificiale senza la necessità di connettività cloud.
DirectML è una piattaforma ad alte prestazioni e con accelerazione hardware per l'esecuzione di modelli di Machine Learning. Usa le API DirectX per offrire prestazioni ottimizzate in diversi hardware, tra cui GPU e acceleratori di intelligenza artificiale.
Usare l'intelligenza artificiale per le app di Windows quando si vogliono usare modelli di Machine Learning sottoposti a training all'interno delle applicazioni Windows.
| Funzionalità di intelligenza artificiale per le app di Windows | Descrizione |
|---|---|
| Tipo | Motore di inferenza per i modelli con training eseguito nei dispositivi Windows |
| Lingue supportate | - C#/C++ - JavaScript |
| Fasi di Machine Learning | - Preparazione dei dati - Formazione del modello -Distribuzione |
| Vantaggi principali | - Valutazione del modello di intelligenza artificiale locale e in tempo reale - Elaborazione di intelligenza artificiale ad alte prestazioni in vari tipi di hardware, tra cui CPU, GPU e acceleratori di intelligenza artificiale - Comportamento e prestazioni coerenti nell'hardware Windows |
SynapseML
SynapseML, noto in precedenza come MMLSpark, è una libreria open source che semplifica la creazione di pipeline di Machine Learning a scalabilità massiccia. SynapseML offre API per varie attività di Machine Learning, ad esempio analisi del testo, visione e rilevamento anomalie. SynapseML è basato sul framework di elaborazione distribuito Apache Spark e condivide la stessa API delle librerie SparkML e MLlib, in modo da poter incorporare facilmente i modelli SynapseML nei flussi di lavoro apache Spark esistenti.
SynapseML aggiunge numerosi strumenti di deep learning e data science all'ecosistema Spark, inclusa l'integrazione senza problemi di pipeline di Spark Machine Learning con LightGBM (LightGBM), Spiegazioni Model-Agnostic interpretabili localmentee OpenCV. È possibile usare questi strumenti per creare modelli predittivi avanzati in qualsiasi cluster Spark, ad esempio azure Databricks o Azure Cosmos DB.
SynapseML offre anche funzionalità di rete per l'ecosistema Spark. Con il progetto HTTP on Spark, gli utenti possono incorporare qualsiasi servizio Web nei modelli SparkML. SynapseML offre inoltre strumenti facili da usare per orchestrare servizi di intelligenza artificiale su larga scala. Per la distribuzione a livello di produzione, il progetto Spark Serving consente un'alta capacità di elaborazione e servizi web con latenza sotto il millisecondo supportati dal tuo cluster Spark.
| Funzionalità SynapseML | Descrizione |
|---|---|
| Tipo | Framework open source di microservizi e Machine Learning distribuito per Apache Spark |
| Lingue supportate | - Scala -Giava -Pitone - R - .NET |
| Fasi di Machine Learning | - Preparazione dei dati - Training del modello -Distribuzione |
| Vantaggi principali | -Scalabilità - Streaming e gestione compatibile - Tolleranza di errore elevata |
| 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
Per visualizzare i profili LinkedIn non pubblici, accedere a LinkedIn.
Passaggi successivi
- prodotti di sviluppo di intelligenza artificiale disponibili da Microsoft
- formazione di Microsoft Learn per lo sviluppo di soluzioni di intelligenza artificiale e Machine Learning
- funzionamento di Azure Machine Learning