Portal usługi Azure AI Foundry lub Azure Machine Learning Studio: które środowisko należy wybrać?
Ten artykuł pomaga zrozumieć, kiedy używać portalu usługi Azure AI Foundry w porównaniu z usługą Azure Machine Learning. Chociaż w każdym środowisku występują pewne nakładające się funkcje, ten artykuł zawiera omówienie ich możliwości i scenariuszy programowania, które najlepiej nadają się dla każdej platformy.
Portal usługi Azure AI Foundry
portal usługi Azure AI Foundry to ujednolicona platforma do tworzenia i wdrażania generatywnych aplikacji sztucznej inteligencji i interfejsów API Azure AI w sposób odpowiedzialny. Obejmuje on bogaty zestaw funkcji sztucznej inteligencji, uproszczony interfejs użytkownika i środowiska oparte na kodzie, oferując jeden punkt do tworzenia, testowania, wdrażania i zarządzania inteligentnymi rozwiązaniami.
Czy witryna Azure AI Foundry portal jest odpowiednia dla Ciebie?
Portal usługi Azure AI Foundry został zaprojektowany w celu ułatwienia deweloperom i analitykom danych wydajnego tworzenia i wdrażania aplikacji generacyjnych sztucznej inteligencji dzięki możliwościom szerokiej oferty sztucznej inteligencji platformy Azure.
Kluczowe możliwości portalu usługi Azure AI Foundry
- Twórz razem jako jeden zespół. Twoje centrum portalu Azure AI Foundry zapewnia zabezpieczenia klasy korporacyjnej oraz środowisko współpracy z udostępnionymi zasobami i połączeniami do wstępnie wytrenowanych modeli, danych i obliczeń.
- Organizowanie pracy. projekt portalu Azure AI Foundry ułatwia zapisywanie stanu, co pozwala wykonać iterację od pierwszego pomysłu do pierwszego prototypu, a następnie najpierw wdrożenia produkcyjnego. Możesz również łatwo zaprosić innych do współpracy w ramach tej podróży.
- Użyj preferowanej platformy i struktur programistycznych, w tym GitHub, Visual Studio Code, LangChain, Semantic Kernel, AutoGen i nie tylko.
- Odkryj i przeprowadź test porównawczy z ponad 1600 modeli.
- Aprowizowanie modeli jako usługi (MaaS) za pomocą bezserwerowych interfejsów API i hostowanego dostrajania.
- Uwzględnij wiele modeli, źródeł danych i modalności.
- Tworzenie rozszerzonej generacji pobierania (RAG) przy użyciu chronionych danych przedsiębiorstwa bez konieczności dostrajania.
- Organizowanie przepływów inżynieryjnych i dużych modeli językowych (LLM) i zarządzanie nimi.
- Projektowanie i zabezpieczanie aplikacji i interfejsów API przy użyciu konfigurowalnych filtrów i kontrolek.
- Ocenianie odpowiedzi modelu za pomocą wbudowanych i niestandardowych przepływów oceny.
- Wdrażanie innowacji sztucznej inteligencji w infrastrukturze zarządzanej platformy Azure przy użyciu ciągłego monitorowania i zapewniania ładu w różnych środowiskach.
- Ciągłe monitorowanie wdrożonych aplikacji pod kątem bezpieczeństwa, jakości i użycia tokenów w środowisku produkcyjnym.
Azure Machine Learning Studio
azure Machine Learning Studio to zarządzana kompleksowa platforma uczenia maszynowego do tworzenia, dostrajania, wdrażania i obsługi modeli usługi Azure Machine Learning w sposób odpowiedzialny na dużą skalę.
Czy usługa Azure Machine Learning Studio jest odpowiednia dla Ciebie?
Usługa Azure Machine Learning jest przeznaczona dla inżynierów uczenia maszynowego i analityków danych.
Kluczowe możliwości usługi Azure Machine Learning Studio
- Tworzenie i trenowanie modelu usługi Azure Machine Learning przy użyciu dowolnego typu zasobów obliczeniowych, w tym platformy Spark i procesorów GPU na potrzeby dużych obciążeń sztucznej inteligencji w skali chmury.
- Uruchamianie zautomatyzowanego interfejsu użytkownika usługi Azure Machine Learning (AutoML) i przeciągania i upuszczania na potrzeby usługi Azure Machine Learning o niskim kodzie.
- Zaimplementuj kompleksowe potoki usługi Azure Machine LearningOps i powtarzalne potoki usługi Azure Machine Learning.
- Użyj pulpitu nawigacyjnego odpowiedzialnego używania sztucznej inteligencji na potrzeby wykrywania stronniczych i analizy błędów.
- Organizowanie przepływów inżynierii monitów i llM oraz zarządzanie nimi.
- Wdrażanie modeli przy użyciu punktów końcowych interfejsu API REST, czasu rzeczywistego i wnioskowania wsadowego.
Szczegółowe porównanie funkcji
W poniższej tabeli porównaliśmy najważniejsze funkcje portalu azure AI Foundry i usługi Azure Machine Learning Studio:
| Kategoria | Funkcja | Portal usługi Azure AI Foundry | Azure Machine Learning Studio |
|---|---|---|---|
| Magazyn danych | Rozwiązanie magazynu | Nie. | Tak, z integracją systemu plików w chmurze, integracją usługi OneLake w sieci szkieletowej i kontami usługi Azure Storage. |
| Przygotowywanie danych | Integracja danych z magazynem | Tak, w przypadku usług Blob Storage, Onelake i Azure Data Lake Storage (ADLS) obsługiwanych w indeksie. | Tak, za pomocą kopiowania i instalowania przy użyciu kont usługi Azure Storage. |
| Uzdatnianie danych | Nie. | Tak, w kodzie. | |
| Etykietowanie danych | Nie. | Tak, z identyfikacją obiektu, segmentacją wystąpień, segmentacją semantyczną, tekstem Nazwanym rozpoznawaniem jednostek (NER), integracją z narzędziami i usługami etykietowania 3P. | |
| Magazyn funkcji | Nie. | Tak | |
| Pochodzenie danych i etykiety | Nie. | Tak | |
| Obciążenia platformy Spark | Nie. | Tak | |
| Obciążenia orkiestracji danych | Nie. | Nie, chociaż dołączone potoki Spark i Azure Machine Learning są dostępne. | |
| Opracowywanie i trenowanie modeli | Narzędzie code-first dla analityka danych. | Tak, z programem VS Code. | Tak, ze zintegrowanymi notesami, Jupyter, VS Code, R Studio. |
| Języki | Tylko język Python. | Python (pełne środowisko), R, Scala, Java (ograniczone środowisko). | |
| Śledzenie, monitorowanie i ocenianie eksperymentów | Tak, ale tylko w przypadku przebiegów przepływu monitu. | Tak, dla wszystkich typów przebiegów. | |
| Narzędzia do tworzenia potoku uczenia maszynowego | Nie. | Tak, za pomocą projektanta, narzędzia do tworzenia wizualizacji i zestawu SDK/interfejsu wiersza polecenia/interfejsu API. | |
| AutoML | Nie. | Tak, w przypadku regresji, klasyfikacji, prognozowania szeregów czasowych, przetwarzania obrazów i przetwarzania języka naturalnego (NLP). | |
| Cele obliczeniowe na potrzeby trenowania | Bezserwerowe tylko dla wystąpień obliczeniowych usługi MaaS i bezserwerowego środowiska uruchomieniowego na potrzeby przepływu monitów. | Klastry Spark, klastry usługi Azure Machine Learning (MPI) i bezserwerowe usługi Azure Arc. | |
| Trenowanie i dostosowywanie dużych modeli językowych (LLMs) i modeli podstawowych | Ograniczone do wykazu modeli. | Tak, w przypadku trenowania rozproszonego opartego na interfejsie MPI i katalogu modeli. | |
| Ocenianie i debugowanie modeli usługi Azure Machine Learning pod kątem sprawiedliwości i możliwości wyjaśnienia. | Nie. | Tak, za pomocą wbudowanego pulpitu nawigacyjnego Odpowiedzialne używanie sztucznej inteligencji. | |
| Generowanie sztucznej inteligencji/LLM | Katalog LLM | Tak, za pośrednictwem katalogu modeli, usługi LLMs z platformy Azure OpenAI, przytulania twarzy i meta. | Tak, za pośrednictwem modułów LLM wykazu modeli z usługi Azure OpenAI, przytulania twarzy i meta. |
| RAG (czat przedsiębiorstwa) | Tak | Tak, za pośrednictwem przepływu monitu. | |
| Filtrowanie zawartości w programie LLM | Tak, za pośrednictwem bezpieczeństwa zawartości sztucznej inteligencji. | Tak, za pośrednictwem bezpieczeństwa zawartości sztucznej inteligencji. | |
| Przepływ monitu | Tak | Tak | |
| Ranking/testy porównawcze | Tak | Nie. | |
| Monituj przykłady | Tak | Nie. | |
| Przepływ pracy llM/LLMOps/MLOps | Plac zabaw | Tak | Nie. |
| Monity dotyczące eksperymentów i testów | Tak, za pośrednictwem placu zabaw, karty modelu i przepływu monitu. | Tak, za pomocą karty modelu i przepływu monitu. | |
| Opracowywanie przepływu pracy | Tak, za pośrednictwem przepływu monitu, integracji z biblioteką LangChain i jądrem semantycznym. | Tak, za pośrednictwem przepływu monitu, integracji z biblioteką LangChain i jądrem semantycznym. | |
| Wdrażanie przepływu pracy jako punktu końcowego | Tak, za pośrednictwem przepływu monitu. | Tak, za pośrednictwem przepływu monitu. | |
| Kontrola wersji przepływu | Tak, za pośrednictwem przepływu monitu. | Tak, za pośrednictwem przepływu monitu. | |
| Wbudowana ocena | Tak, za pośrednictwem przepływu monitu. | Tak, za pośrednictwem przepływu monitu. | |
| Integracja z usługą Git | Tak | Tak | |
| CI/CD | Tak, za pośrednictwem środowisk code-first w przepływie monitów, zintegrowanych z usługami Azure DevOps i GitHub. | Tak, za pośrednictwem środowisk code-first w przepływie monitów, zintegrowanych z usługami Azure DevOps i GitHub. | |
| Rejestr modeli | Nie. | Tak, za pośrednictwem usługi MIFlow i rejestrów. | |
| Rejestr modeli organizacji | Nie. | Tak, za pośrednictwem rejestrów. | |
| Wdrażanie modelu | Opcje wdrażania dla obsługi w czasie rzeczywistym | Modele jako usługa (MaaS) punkty końcowe online dla katalogu MaaP. | Nie. |
| Opcje wdrażania dla obsługi wsadowej | Nie. | Obsługa punktów końcowych usługi Batch, zarządzanych i niezarządzanych usługi Azure Arc. | |
| Zabezpieczenia przedsiębiorstwa | Centrum sztucznej inteligencji | Tak, zarządzaj zasobami sztucznej inteligencji i zarządzaj nimi. | Tak, zarówno w przypadku klasycznych usług Azure Machine Learning, jak i LLM. |
| Sieć prywatna | Tak | Tak | |
| Ochrona przed utratą danych | Tak | Tak | |
| Klasyfikacja danych | Nie. | Tak, za pośrednictwem usługi Purview. |