Udostępnij za pośrednictwem


Porównanie produktów i technologii uczenia maszynowego firmy Microsoft

Dowiedz się więcej o produktach i technologiach uczenia maszynowego firmy Microsoft. Porównaj opcje, które ułatwiają wybór sposobu najbardziej efektywnego tworzenia, wdrażania i zarządzania rozwiązaniami uczenia maszynowego.

Produkty do uczenia maszynowego opartego na chmurze

Następujące opcje są dostępne dla uczenia maszynowego w chmurze platformy Azure.

Opcja chmury opis Funkcje i zastosowania
Azure Machine Learning Zarządzana platforma do uczenia maszynowego Użyj wstępnie wytrenowanego modelu lub wytrenuj, wdróż modele i zarządzaj nimi na platformie Azure przy użyciu języka Python i interfejsu wiersza polecenia. Usługa Machine Learning obejmuje funkcje, takie jak zautomatyzowane uczenie maszynowe (AutoML), przepływ monitów, katalog modeli i integracja Z platformą MLflow. Wydajność modelu można śledzić i rozumieć na etapie produkcji.
Microsoft Fabric Ujednolicona platforma analityczna Zarządzanie całym cyklem życia danych, od pozyskiwania do szczegółowych informacji, przy użyciu kompleksowej platformy, która integruje różne usługi i narzędzia dla specjalistów ds. danych, w tym inżynierów danych, analityków danych i analityków biznesowych.
usługi Azure AI Wstępnie utworzone możliwości sztucznej inteligencji implementowane za pomocą interfejsów API REST i zestawów SDK Twórz inteligentne aplikacje przy użyciu standardowych języków programowania. Te języki wywołują interfejsy API, które zapewniają wnioskowanie. Chociaż najlepiej mieć wiedzę z zakresu uczenia maszynowego i nauki o danych, zespoły inżynieryjne, które nie mają tych umiejętności, mogą również przyjąć tę platformę.
usługi uczenia maszynowego Azure SQL Managed Instance Uczenie maszynowe w bazie danych dla języka SQL Trenowanie i wdrażanie modeli w usłudze SQL Managed Instance.
Uczenie maszynowe w usłudze Azure Synapse Analytics Usługa analizy korzystająca z uczenia maszynowego Trenowanie i wdrażanie modeli w usłudze Azure Synapse Analytics.
Azure Databricks Platforma analityczna bazująca na projekcie Apache Spark Twórz i wdrażaj modele i przepływy pracy danych, integrując je z bibliotekami uczenia maszynowego typu open source i platformą MLflow.

Lokalny produkt uczenia maszynowego

Poniższa opcja jest dostępna w środowisku lokalnym uczenia maszynowego. Serwery lokalne mogą być również uruchamiane na maszynie wirtualnej w chmurze.

Produkt lokalnie zainstalowany opis Funkcje i zastosowania
usług uczenia maszynowego programu SQL Server Uczenie maszynowe w bazie danych dla języka SQL Trenowanie i wdrażanie modeli w programie SQL Server przy użyciu skryptów języka Python i R.

Platformy i narzędzia programistyczne

Następujące platformy programistyczne i narzędzia są dostępne dla uczenia maszynowego.

Platforma lub narzędzie opis Funkcje i zastosowania
portalu usługi Azure AI Foundry Ujednolicone środowisko programistyczne dla scenariuszy sztucznej inteligencji i uczenia maszynowego Twórz, oceniaj i wdrażaj modele i aplikacje sztucznej inteligencji. Portal usługi Azure AI Foundry ułatwia współpracę i zarządzanie projektami w różnych usługach azure AI. Można go nawet używać jako wspólnego środowiska w wielu zespołach zajmujących się obciążeniami.
Azure Studio Uczenia Maszynowego Narzędzie do współpracy, przeciąganie i upuszczanie na potrzeby uczenia maszynowego Twórz, testuj i wdrażaj rozwiązania analizy predykcyjnej przy użyciu minimalnej ilości kodu. Usługa Machine Learning Studio obsługuje szeroką gamę algorytmów uczenia maszynowego i modeli sztucznej inteligencji. Udostępnia narzędzia do przygotowywania danych, trenowania modeli i oceny.
Azure Data Science Virtual Machine Obraz maszyny wirtualnej zawierający wstępnie zainstalowane narzędzia do nauki o danych Użyj wstępnie skonfigurowanego środowiska z narzędziami takimi jak Jupyter, R i Python, aby tworzyć rozwiązania uczenia maszynowego na własnych maszynach wirtualnych.
Microsoft ML.NET Zestaw SDK uczenia maszynowego typu open source dla wielu platform Opracowywanie rozwiązań uczenia maszynowego dla aplikacji platformy .NET.
SI dla aplikacji systemu Windows Aparat wnioskowania dla wytrenowanych modeli na urządzeniach z systemem Windows Integruje możliwości sztucznej inteligencji z aplikacjami systemu Windows przy użyciu składników, takich jak Windows Machine Learning (WinML) i Direct Machine Learning (DirectML) na potrzeby lokalnej oceny modelu sztucznej inteligencji w czasie rzeczywistym i przyspieszania sprzętowego.
SynapseML Open source, rozproszona struktura uczenia maszynowego i mikrousług dla platformy Apache Spark Tworzenie i wdrażanie skalowalnych aplikacji uczenia maszynowego dla języków Scala i Python.
rozszerzenie usługi Machine Learning dla usługi Azure Data Studio Rozszerzenie uczenia maszynowego typu open source i międzyplatformowe dla usługi Azure Data Studio Zarządzanie pakietami, importowanie modeli uczenia maszynowego, przewidywanie i tworzenie notesów w celu uruchamiania eksperymentów dla baz danych SQL.

Azure Machine Learning

machine learning to w pełni zarządzana usługa w chmurze, której można używać do trenowania, wdrażania i zarządzania modelami uczenia maszynowego na dużą skalę. W pełni obsługuje technologie typu open source, dzięki czemu można używać dziesiątek tysięcy pakietów języka Python typu open source, takich jak TensorFlow, PyTorch i scikit-learn.

Dostępne są również zaawansowane narzędzia, takie jak wystąpienia obliczeniowe, notesy Jupyterlub rozszerzenie Azure Machine Learning for Visual Studio Code (VS Code). Rozszerzenie Machine Learning dla programu VS Code to bezpłatne rozszerzenie, które umożliwia zarządzanie zasobami i przepływami pracy trenowania modelu oraz wdrożeniami w programie VS Code. Usługa Machine Learning obejmuje funkcje automatyzujące generowanie i dostrajanie modeli z łatwością, wydajnością i dokładnością.

Użyj zestawu SDK języka Python, notesów Jupyter, języka R i interfejsu wiersza polecenia na potrzeby uczenia maszynowego w skali chmury. Jeśli chcesz wybrać opcję z małą ilością kodu lub bez kodu, użyj Designer w studio. Projektant ułatwia łatwe i szybkie kompilowanie, testowanie i wdrażanie modeli przy użyciu wstępnie utworzonych algorytmów uczenia maszynowego. Ponadto można zintegrować usługę Machine Learning z usługami Azure DevOps i GitHub Actions na potrzeby ciągłej integracji i ciągłego wdrażania (CI/CD) modeli uczenia maszynowego.

Funkcja uczenia maszynowego opis
Type Rozwiązanie do uczenia maszynowego opartego na chmurze
Obsługiwane języki -Pyton
- R
Fazy uczenia maszynowego - Przygotowywanie danych
- Trenowanie modelu
-Wdrażania
- MLOps lub zarządzanie
- Odpowiedzialne używanie sztucznej inteligencji
Najważniejsze korzyści Opcje tworzenia interfejsu internetowego: code-first (SDK), studio, oraz projektant z funkcją przeciągania i upuszczania.
— Centralne zarządzanie skryptami i historią uruchamiania, co ułatwia porównywanie wersji modelu
— Łatwe wdrażanie modeli i zarządzanie nimi na urządzeniach w chmurze lub urządzeniach brzegowych
- Skalowalne trenowanie, wdrażanie i zarządzanie modelami uczenia maszynowego
Zagadnienia do rozważenia Wymaga znajomości modelu zarządzania modelem.

Usługi platformy Azure AI

usługi sztucznej inteligencji to kompleksowy zestaw wstępnie utworzonych interfejsów API, które ułatwiają deweloperom i organizacjom szybkie tworzenie inteligentnych, gotowych do rynku aplikacji. Te serwisy udostępniają gotowe do użycia i dostosowywalne interfejsy API oraz zestawy SDK, które umożliwiają aplikacjom widzenie, słyszenie, mówienie, rozumienie i interpretowanie potrzeb użytkowników przy minimalnym kodzie. Te możliwości sprawiają, że zestawy danych lub wiedza na temat nauki o danych są niepotrzebne do trenowania modeli. Do aplikacji można dodawać inteligentne funkcje, takie jak:

Używanie usług sztucznej inteligencji do tworzenia aplikacji na różnych urządzeniach i platformach. Interfejsy API stale ulepszają się i są łatwe do skonfigurowania.

Funkcja usług sztucznej inteligencji opis
Type Interfejsy API do tworzenia inteligentnych aplikacji
Obsługiwane języki Różne opcje w zależności od usługi. Standardowe opcje to C#, Java, JavaScript i Python.
Fazy uczenia maszynowego Wdrożenie
Najważniejsze korzyści — Tworzenie inteligentnych aplikacji przy użyciu wstępnie wytrenowanych modeli dostępnych za pośrednictwem interfejsu API REST i zestawu SDK
- Używanie różnych modeli dla metod komunikacji naturalnej, które mają możliwości widzenia, mowy, języka i podejmowania decyzji
- Nie jest wymagana żadna lub minimalna wiedza na temat uczenia maszynowego lub nauki o danych
— Interfejsy API są skalowalne i elastyczne
- Możesz wybrać spośród różnych modeli

Uczenie maszynowe SQL

Uczenie maszynowe SQL dodaje analizę statystyczną, wizualizację danych i analizę predykcyjną w języku Python i R na potrzeby danych relacyjnych, zarówno lokalnych, jak i w chmurze. Bieżące platformy i narzędzia obejmują:

Użyj uczenia maszynowego SQL, gdy potrzebujesz wbudowanej sztucznej inteligencji i analizy predykcyjnej na danych relacyjnych w języku SQL.

Funkcja uczenia maszynowego SQL opis
Type Lokalna analiza predykcyjna dla danych relacyjnych
Obsługiwane języki -Pyton
- R
-SQL
Fazy uczenia maszynowego - Przygotowywanie danych
- Trenowanie modelu
-Wdrażania
Najważniejsze korzyści Hermetyzowanie logiki predykcyjnej w funkcji bazy danych. Ten proces ułatwia uwzględnienie logiki warstwy danych.
Zagadnienia do rozważenia Załóżmy, że używasz bazy danych SQL jako warstwy danych dla aplikacji.

Azure AI Foundry

Usługa Azure AI Foundry to ujednolicona platforma, której można użyć do odpowiedzialnego tworzenia i wdrażania aplikacji generacyjnych sztucznej inteligencji i interfejsów API sztucznej inteligencji platformy Azure. Zapewnia kompleksowy zestaw funkcji sztucznej inteligencji, uproszczony interfejs użytkownika i środowiska oparte na kodzie. Te funkcje sprawiają, że jest to kompleksowa platforma do tworzenia, testowania, wdrażania i zarządzania inteligentnymi rozwiązaniami.

Usługa Azure AI Foundry ułatwia deweloperom i analitykom danych wydajne tworzenie i wdrażanie aplikacji generacyjnych sztucznej inteligencji przy użyciu ofert sztucznej inteligencji platformy Azure. Podkreśla ona odpowiedzialne opracowywanie sztucznej inteligencji i osadzanie zasad sprawiedliwości, przejrzystości i odpowiedzialności. Platforma obejmuje narzędzia do wykrywania stronniczości, interpretacji i zachowania prywatności uczenia maszynowego. Te narzędzia pomagają zagwarantować, że modele sztucznej inteligencji są zaawansowane, wiarygodne i zgodne z wymaganiami prawnymi.

W ramach ekosystemu platformy Microsoft Azure narzędzie Azure AI Foundry udostępnia niezawodne narzędzia i usługi, które zaspokajają różne potrzeby sztucznej inteligencji i uczenia maszynowego, w tym przetwarzanie języka naturalnego i przetwarzanie obrazów. Integracja z innymi usługami platformy Azure pomaga zapewnić bezproblemową skalowalność i wydajność, co sprawia, że jest to idealna opcja dla przedsiębiorstw.

Portal azure AI Foundry wspiera współpracę i innowacje, udostępniając funkcje takie jak udostępnione obszary robocze, kontrola wersji i zintegrowane środowiska programistyczne. Dzięki integracji popularnych struktur i narzędzi typu open source usługa Azure AI Foundry przyspiesza proces opracowywania, dzięki czemu organizacje mogą napędzać innowacje i wyprzedzać konkurencyjny krajobraz sztucznej inteligencji.

Funkcja usługi Azure AI Foundry opis
Type Ujednolicone środowisko projektowe dla sztucznej inteligencji
Obsługiwane języki Tylko język Python
Fazy uczenia maszynowego - Przygotowywanie danych
- Wdrażanie (Modele jako usługa (MaaS))
Najważniejsze korzyści - Ułatwia współpracę i zarządzanie projektami w różnych usługach sztucznej inteligencji
— Udostępnia kompleksowe narzędzia do tworzenia, trenowania i wdrażania modeli sztucznej inteligencji
- Podkreśla odpowiedzialne używanie sztucznej inteligencji, udostępniając narzędzia do wykrywania stronniczości, interpretacji i zachowania prywatności uczenia maszynowego
— Obsługuje integrację z popularnymi platformami i narzędziami typu open source
— Obejmuje przepływ monitów do tworzenia przepływów pracy opartych na monitach i zarządzania nimi Przepływ monitów upraszcza cykl tworzenia aplikacji sztucznej inteligencji obsługiwanych przez modele językowe

Azure Machine Learning Studio

Azure Machine Learning Studio to narzędzie współpracujące z funkcją przeciągania i upuszczania do tworzenia, testowania i wdrażania rozwiązań analizy predykcyjnej na Twoich danych. Jest ona przeznaczona dla analityków danych, inżynierów danych i analityków biznesowych. Usługa Machine Learning Studio obsługuje szeroką gamę algorytmów uczenia maszynowego i narzędzi do przygotowywania danych, trenowania modeli i oceny. Udostępnia również interfejs wizualny do łączenia zestawów danych i modułów na interaktywnej kanwie.

Funkcja usługi Machine Learning Studio opis
Type Narzędzie do współpracy, przeciąganie i upuszczanie na potrzeby uczenia maszynowego
Obsługiwane języki -Pyton
- R
-Scala
— Java (ograniczone doświadczenie)
Fazy uczenia maszynowego - Przygotowywanie danych
- Trenowanie modelu
-Wdrażania
Najważniejsze korzyści — Nie wymaga kodowania do tworzenia modeli uczenia maszynowego
— Obsługuje szeroką gamę algorytmów i narzędzi uczenia maszynowego na potrzeby przygotowywania danych, trenowania modelu i oceny
— Udostępnia interfejs wizualny do łączenia zestawów danych i modułów na interaktywnej kanwie
— Obsługuje integrację z usługą Machine Learning na potrzeby zaawansowanych zadań uczenia maszynowego

Aby zapoznać się z kompleksowym porównaniem usługi Machine Learning Studio i portalu usługi Azure AI Foundry, zobacz Portal usługi Azure AI Foundry lub Machine Learning Studio. Poniższa tabela zawiera podsumowanie kluczowych różnic między nimi:

Kategoria Funkcja Portal usługi Azure AI Foundry Studio Uczenia Maszynowego
magazyn danych Rozwiązanie magazynu Nie. Tak (system plików w chmurze, OneLake, Azure Storage)
przygotowywanie danych Integracja danych Tak (Azure Blob Storage, OneLake, Azure Data Lake Storage) Tak (kopiowanie i instalowanie przy użyciu kont usługi Azure Storage)
Opracowywanie zawartości Narzędzia oparte na kodzie Tak (VS Code) Tak (notesy, Jupyter, VS Code, R Studio)
Języki Obsługiwane języki Tylko język Python Python, R, Scala, Java
Szkolenie AutoML Nie. Tak (regresja, klasyfikacja, prognozowanie, CV, NLP)
cele obliczeniowe Trenowanie zasobów obliczeniowych Bezserwerowy (MaaS, przepływ monitów) Klastry Spark, klastry uczenia maszynowego, usługa Azure Arc
Generowanie sztucznej inteligencji Katalog modeli językowych Tak (Azure OpenAI, przytulanie twarzy, meta) Tak (Azure OpenAI, przytulanie twarzy, meta)
Wdrożenie Obsługa wsadowa i w czasie rzeczywistym Czas rzeczywisty (MaaS) Punkty końcowe usługi Batch, Azure Arc
Nadzór Narzędzia odpowiedzialnej sztucznej inteligencji Nie. Tak (pulpit nawigacyjny odpowiedzialnej sztucznej inteligencji)

Microsoft Fabric

Fabric to kompleksowa, ujednolicona platforma analityczna, która łączy wszystkie potrzebne organizacjom narzędzia do analizy i danych. Integruje różne usługi i narzędzia, aby zapewnić bezproblemowe środowisko dla specjalistów ds. danych, w tym inżynierów danych, analityków danych i analityków biznesowych. Fabric oferuje możliwości integracji danych, inżynierii danych, magazynowania danych, nauki o danych, analizy w czasie rzeczywistym i analizy biznesowej.

Użyj usługi Fabric, gdy potrzebujesz kompleksowej platformy do zarządzania całym cyklem życia danych od pozyskiwania do szczegółowych informacji.

Funkcja sieci szkieletowej opis
Type Ujednolicona platforma analityczna
Obsługiwane języki -Pyton
- R
-SQL
-Scala
Fazy uczenia maszynowego - Przygotowywanie danych
- Trenowanie modelu
-Wdrażania
— Analiza w czasie rzeczywistym
Najważniejsze korzyści — Ujednolicona platforma dla wszystkich potrzeb dotyczących danych i analiz
— Bezproblemowa integracja z innymi usługami firmy Microsoft
- Skalowalne i elastyczne
— Obsługuje szeroką gamę narzędzi do analizy i danych
- Ułatwia współpracę między różnymi rolami w organizacji
— Kompleksowe zarządzanie cyklem życia danych od pozyskiwania do szczegółowych informacji
— Możliwości analizy i analizy biznesowej w czasie rzeczywistym
— Obsługa trenowania i wdrażania modelu uczenia maszynowego
— Integracja z popularnymi platformami i narzędziami uczenia maszynowego
- Narzędzia do przygotowywania danych i inżynierii cech
— Wnioskowanie i analiza uczenia maszynowego w czasie rzeczywistym

Azure Data Science Virtual Machine

azure Data Science Virtual Machine to dostosowane środowisko maszyn wirtualnych w chmurze platformy Microsoft Azure. Jest ona dostępna w wersjach dla systemów Windows i Linux Ubuntu. Środowisko jest przeznaczone specjalnie do zadań nauki o danych i tworzenia rozwiązań do uczenia maszynowego. Ma wiele popularnych funkcji nauki o danych, platform uczenia maszynowego i innych narzędzi, które są wstępnie zainstalowane i wstępnie skonfigurowane, dzięki czemu można szybko rozpocząć tworzenie inteligentnych aplikacji do zaawansowanej analizy.

Użyj maszyny wirtualnej do nauki o danych, gdy musisz uruchomić lub hostować zadania w jednym węźle lub jeśli konieczne jest zdalne skalowanie w górę przetwarzania na jednej maszynie.

Funkcja środowiska Azure Data Science Virtual Machine opis
Type Dostosowane środowisko maszyny wirtualnej na potrzeby nauki o danych
Najważniejsze korzyści — Skrócenie czasu instalowania i rozwiązywania problemów z narzędziami i strukturami do nauki o danych oraz zarządzanie nimi
— Obejmuje najnowsze wersje powszechnie używanych narzędzi i struktur
— Obejmuje wysoce skalowalne obrazy i funkcje procesora graficznego (GPU) na potrzeby intensywnego modelowania danych
Zagadnienia do rozważenia — Nie można uzyskać dostępu do maszyny wirtualnej, gdy jest w trybie offline.
— Uruchomienie maszyny wirtualnej powoduje naliczanie opłat za platformę Azure, dlatego upewnij się, że jest ona uruchamiana tylko wtedy, gdy jest potrzebna.

Azure Databricks

azure Databricks to platforma analityczna oparta na platformie Apache Spark zoptymalizowana pod kątem platformy Microsoft Azure w chmurze. Usługa Azure Databricks jest zintegrowana z platformą Azure w celu zapewnienia konfiguracji jednym kliknięciem, usprawnionych przepływów pracy i interaktywnego obszaru roboczego, który umożliwia współpracę między analitykami danych, inżynierami danych i analitykami biznesowymi. Użyj kodu języka Python, R, Scala i SQL w notesach opartych na sieci Web do wysyłania zapytań o dane, ich wizualizacji i modelowania.

Użyj usługi Azure Databricks, gdy chcesz współpracować nad tworzeniem rozwiązań uczenia maszynowego na platformie Apache Spark.

Funkcja usługi Azure Databricks opis
Type Platforma analityczna bazująca na projekcie Apache Spark
Obsługiwane języki -Pyton
- R
-Scala
-SQL
Fazy uczenia maszynowego - Przygotowywanie danych
- Przetwarzanie wstępne danych
- Trenowanie modelu
- Dostrajanie modelu
- Wnioskowanie modelu
-Zarządzanie
-Wdrażania
Najważniejsze korzyści - Konfigurowanie jednym kliknięciem i usprawnione przepływy pracy w celu łatwego użycia
- Interaktywny obszar roboczy do współpracy
— Bezproblemowa integracja z platformą Azure
— Skalowalność do obsługi dużych zestawów danych i intensywnych obliczeń
- Obsługa różnych języków i integracji z popularnymi narzędziami

ML.NET

ML.NET to międzyplatformowa platforma uczenia maszynowego typu open source. Użyj ML.NET, aby tworzyć niestandardowe rozwiązania uczenia maszynowego i integrować je z aplikacjami platformy .NET. ML.NET zapewnia różne poziomy współdziałania z popularnymi strukturami, takimi jak TensorFlow i ONNX na potrzeby trenowania i oceniania modeli uczenia maszynowego i uczenia głębokiego. W przypadku zadań intensywnie korzystających z zasobów, takich jak trenowanie modeli klasyfikacji obrazów, można użyć platformy Azure do trenowania modeli w chmurze.

Używaj struktury ML.NET, gdy chcesz integrować rozwiązania uczenia maszynowego z aplikacjami platformy .NET. Wybierz między interfejsem API dla środowiska opartego na kodzie a narzędziem Model Builder lub interfejsem wiersza polecenia w celu uzyskania środowiska z małą ilością kodu.

funkcja ML.NET opis
Type Platforma międzyplatformowa typu open source do tworzenia niestandardowych aplikacji uczenia maszynowego za pomocą platformy .NET
Obsługiwane języki - C#
- F#
Fazy uczenia maszynowego - Przygotowywanie danych
-Szkolenie
-Wdrażania
Najważniejsze korzyści — Brak wymagań dotyczących nauki o danych lub uczenia maszynowego
— Znane języki i narzędzia, takie jak Visual Studio i VS Code
— Wdraża aplikację, w której jest uruchomiona platforma .NET
- Rozszerzalny i skalowalny projekt
Doświadczenie przede wszystkim lokalne
— AutoML do zadań automatyzacji uczenia maszynowego

Sztuczna inteligencja dla aplikacji systemu Windows

Użyj sztucznej inteligencji dla aplikacji Windows, do integracji funkcji sztucznej inteligencji z aplikacjami Windows. Wykorzystaj możliwości WinML i DirectML, aby zapewnić lokalną ocenę modeli AI w czasie rzeczywistym oraz sprzętowe przyspieszanie. WinML umożliwia deweloperom integrowanie wytrenowanych modeli uczenia maszynowego bezpośrednio z aplikacjami systemu Windows. Ułatwia ona lokalną, w czasie rzeczywistym ocenę modeli i umożliwia zaawansowane możliwości sztucznej inteligencji bez konieczności łączności z chmurą.

DirectML to wysokowydajna, przyspieszona sprzętowo platforma do uruchamiania modeli uczenia maszynowego. Używa interfejsów API DirectX do zapewnienia zoptymalizowanej wydajności na różnych sprzętach, w tym procesorów GPU i akceleratorów sztucznej inteligencji.

Użyj sztucznej inteligencji dla aplikacji systemu Windows, jeśli chcesz używać wytrenowanych modeli uczenia maszynowego w aplikacjach systemu Windows.

Funkcja sztucznej inteligencji dla aplikacji systemu Windows opis
Type Aparat wnioskowania dla wytrenowanych modeli na urządzeniach z systemem Windows
Obsługiwane języki - C#/C++
— JavaScript
Fazy uczenia maszynowego - Przygotowywanie danych
- Trenowanie modelu
-Wdrażania
Najważniejsze korzyści - Lokalna, w czasie rzeczywistym ocena modelu sztucznej inteligencji
- Przetwarzanie sztucznej inteligencji o wysokiej wydajności w różnych typach sprzętu, w tym procesorów CPU, procesorów GPU i akceleratorów sztucznej inteligencji
- Spójne zachowanie i wydajność na sprzęcie systemu Windows

SynapseML

synapseML, wcześniej znany jako MMLSpark, jest biblioteką typu open source, która upraszcza tworzenie wysoce skalowalnych potoków uczenia maszynowego. Usługa SynapseML udostępnia interfejsy API dla różnych zadań uczenia maszynowego, takich jak analiza tekstu, przetwarzanie obrazów i wykrywanie anomalii. Usługa SynapseML jest oparta na platformie apache Spark rozproszonej strukturze obliczeniowej i udostępnia ten sam interfejs API co biblioteki SparkML i MLlib, dzięki czemu można bezproblemowo osadzać modele SynapseML w istniejących przepływach pracy platformy Apache Spark.

Usługa SynapseML dodaje wiele narzędzi do uczenia głębokiego i nauki o danych do ekosystemu platformy Spark, w tym bezproblemową integrację potoków usługi Spark Machine z light gradient boosting Machine (LightGBM), lokalnych objaśnień interpretowalnych Model-Agnostici OpenCV. Te narzędzia umożliwiają tworzenie zaawansowanych modeli predykcyjnych w dowolnym klastrze Spark, takich jak azure Databricks lub azure Cosmos DB.

Usługa SynapseML zapewnia również możliwości sieciowe ekosystemowi platformy Spark. Za pomocą projektu HTTP na platformie Spark użytkownicy mogą osadzać dowolną usługę internetową w swoich modelach SparkML. Ponadto usługa SynapseML zapewnia łatwe w użyciu narzędzia do organizowania usług sztucznej inteligencji na dużą skalę. W przypadku wdrożenia na poziomie produkcyjnym, projekt Spark Serving umożliwia usługi internetowe z wysoką przepływnością i opóźnieniem poniżej milisekundy, które są wspierane przez klaster Spark.

Funkcja synapseML opis
Type Open source, rozproszona struktura uczenia maszynowego i mikrousług dla platformy Apache Spark
Obsługiwane języki -Scala
-Jawa
-Pyton
- R
.NET
Fazy uczenia maszynowego - Przygotowywanie danych
- Trenowanie modelu
-Wdrażania
Najważniejsze korzyści - Skalowalność
- Przesyłanie strumieniowe i obsługa zgodne
- Wysoka odporność na uszkodzenia
Zagadnienia do rozważenia Wymaga platformy Apache Spark

Współautorzy

Ten artykuł jest obsługiwany przez firmę Microsoft. Pierwotnie został napisany przez następujących współautorów.

Autorzy zabezpieczeń:

Aby wyświetlić niepubalne profile serwisu LinkedIn, zaloguj się do serwisu LinkedIn.

Następne kroki