AI Studio ou Azure Machine Learning: Que experiência devo escolher?
Este artigo ajuda você a entender quando usar o Azure AI Studio versus o Azure Machine Learning. Embora haja alguma sobreposição na funcionalidade em cada experiência, este artigo fornece uma visão geral de seus recursos e os cenários de desenvolvimento mais adequados para cada plataforma.
Azure AI Studio
O Azure AI Studio é uma plataforma unificada para desenvolver e implantar aplicativos de IA generativos e APIs de IA do Azure de forma responsável. Ele inclui um rico conjunto de recursos de IA, interface de usuário simplificada e experiências code-first, oferecendo um balcão único para criar, testar, implantar e gerenciar soluções inteligentes.
O AI Studio é ideal para você?
O Azure AI Studio foi projetado para ajudar desenvolvedores e cientistas de dados a criar e implantar aplicativos de IA generativos de forma eficiente com o poder das amplas ofertas de IA do Azure.
Principais recursos do Azure AI Studio
- Construa em conjunto como uma equipa. Seu hub AI Studio fornece segurança de nível empresarial e um ambiente colaborativo com recursos compartilhados e conexões com modelos, dados e computação pré-treinados.
- Organize o seu trabalho. Seu projeto do AI Studio ajuda você a salvar o estado, permitindo que você itere desde a primeira ideia, até o primeiro protótipo e, em seguida, a primeira implantação de produção. Convide também facilmente outras pessoas a colaborar ao longo desta jornada.
- Use sua plataforma de desenvolvimento e estruturas preferidas, incluindo GitHub, Visual Studio Code, LangChain, Semantic Kernel, AutoGen e muito mais.
- Descubra e avalie comparativamente mais de 1.600 modelos.
- Provisione modelos como serviço (MaaS) por meio de APIs sem servidor e ajuste fino hospedado.
- Incorpore vários modelos, fontes de dados e modalidades.
- Crie a Geração Aumentada de Recuperação (RAG) usando seus dados corporativos protegidos sem a necessidade de ajuste fino.
- Orquestre e gerencie prompts, engenharia e fluxos de Large Language Model (LLM).
- Projete e proteja aplicativos e APIs com filtros e controles configuráveis.
- Avalie as respostas do modelo com fluxos de avaliação internos e personalizados.
- Implante inovações de IA na infraestrutura gerenciada do Azure com monitoramento e governança contínuos em todos os ambientes.
- Monitore continuamente os aplicativos implantados quanto à segurança, qualidade e consumo de tokens na produção.
Azure Machine Learning Studio
O Azure Machine Learning Studio é uma plataforma de aprendizado de máquina gerenciada de ponta a ponta para criar, ajustar, implantar e operar modelos do Azure Machine Learning, de forma responsável e em escala.
O Azure Machine Learning Studio é ideal para você?
O Azure Machine Learning foi concebido para engenheiros de aprendizagem automática e cientistas de dados.
Principais recursos do Azure Machine Learning Studio
- Crie e treine o modelo do Azure Machine Learning com qualquer tipo de computação, incluindo Spark e GPUs para grandes cargas de trabalho de IA em escala de nuvem.
- Execute o Azure Machine Learning (AutoML) automatizado e arraste e solte a interface do usuário para o Azure Machine Learning low-code.
- Implemente o Azure Machine Learning Ops de ponta a ponta e pipelines repetíveis do Azure Machine Learning.
- Use um painel de IA responsável para deteção de vieses e análise de erros.
- Orquestre e gerencie fluxos rápidos de engenharia e LLM.
- Implante modelos com pontos de extremidade da API REST, inferência em tempo real e em lote.
Comparação detalhada de recursos
A tabela a seguir compara os principais recursos do Azure AI Studio e do Azure Machine Learning Studio:
| Categoria | Funcionalidade | Azure AI Studio | Azure Machine Learning Studio |
|---|---|---|---|
| Armazenamento de dados | Solução de armazenamento | Não | Sim, com integração de sistema de arquivos na nuvem, integração OneLake in Fabric e Contas de Armazenamento do Azure. |
| Preparação de dados | Integração de dados ao armazenamento | Sim, com armazenamento de blob, Onelake, Azure Data Lake Storage (ADLS) suportado no índice. | Sim, através de cópia e montagem com Contas de Armazenamento do Azure. |
| Disputa de dados | Não | Sim, em código. | |
| Identificação de dados | Não | Sim, com identificação de objetos, segmentação de instâncias, segmentação semântica, texto Named Entity Recognition (NER), integração com ferramentas e serviços de etiquetagem 3P. | |
| Loja de recursos | Não | Sim | |
| Linhagem de dados e rótulos | Não | Sim | |
| Cargas de trabalho do Spark | Não | Sim | |
| Cargas de trabalho de orquestração de dados | Não | Não, embora os pipelines anexados do Spark e do Azure Machine Learning estejam disponíveis. | |
| Desenvolvimento e formação de modelos | Ferramenta Code-first para cientista de dados. | Sim, com VS Code. | Sim, com Notebooks integrados, Jupyter, VS Code, R Studio. |
| Idiomas | Apenas Python. | Python (experiência completa), R, Scala, Java (experiência limitada). | |
| Rastreie, monitore e avalie experimentos | Sim, mas apenas para execuções de fluxo de prompt. | Sim, para todos os tipos de execução. | |
| Ferramentas de criação de pipeline de ML | Não | Sim, com o designer, a ferramenta de criação visual e SDK/CLI/API. | |
| AutoML | Não | Sim, para regressão, classificação, previsão de séries temporais, visão computacional e processamento de linguagem natural (PNL). | |
| Computar metas para treinamento | Serverless apenas para instâncias de computação MaaS e serverless runtime para fluxo de prompt. | Clusters Spark, clusters do Azure Machine Learning (MPI) e Azure Arc sem servidor. | |
| Treine e ajuste modelos de linguagem grande (LLMs) e modelos de fundação | Limitado ao catálogo de modelos. | Sim, com treinamento distribuído baseado em MPI e o catálogo de modelos. | |
| Avalie e depure modelos do Azure Machine Learning para obter equidade e explicabilidade. | Não | Sim, com o painel de IA responsável integrado. | |
| IA/LLM generativa | Catálogo LLM | Sim, através do catálogo de modelos, LLMs do Azure OpenAI, Hugging Face e Meta. | Sim, através de LLMs de catálogo de modelos do Azure OpenAI, Hugging Face e Meta. |
| RAG (chat empresarial) | Sim | Sim, através do fluxo de prompt. | |
| Filtragem de conteúdo LLM | Sim, através da segurança de conteúdo de IA. | Sim, através da segurança de conteúdo de IA. | |
| Fluxo imediato | Sim | Sim | |
| Tabela de classificação/benchmarks | Sim | No | |
| Amostras rápidas | Sim | No | |
| Fluxo de trabalho LLM/LLMOps/MLOps | Parque Infantil | Sim | No |
| Prompts de experimento e teste | Sim, através de playground, cartão modelo e fluxo imediato. | Sim, através de cartão modelo e fluxo de prompt. | |
| Desenvolver fluxo de trabalho | Sim, através de fluxo de prompt, integração com LangChain e Kernel Semântico. | Sim, através de fluxo de prompt, integração com LangChain e Kernel Semântico. | |
| Implantar fluxo de trabalho como ponto de extremidade | Sim, através do fluxo de prompt. | Sim, através do fluxo de prompt. | |
| Controle de versão de fluxo | Sim, através do fluxo de prompt. | Sim, através do fluxo de prompt. | |
| Avaliação integrada | Sim, através do fluxo de prompt. | Sim, através do fluxo de prompt. | |
| Integração no Git | Sim | Sim | |
| CI/CD | Sim, por meio de experiências code-first no prompt flow, integradas ao Azure DevOps e ao GitHub. | Sim, por meio de experiências code-first no prompt flow, integradas ao Azure DevOps e ao GitHub. | |
| Registo do modelo | Não | Sim, através de MIFlow e registos. | |
| Registo do modelo de organização | Não | Sim, através de registos. | |
| Implantação do modelo | Opções de implantação para atendimento em tempo real | Modelos como ponto de extremidade online (MaaS) para catálogo MaaP. | Não |
| Opções de implantação para serviço em lote | Não | Pontos de extremidade em lote, suporte ao Azure Arc gerenciado e não gerenciado. | |
| Segurança empresarial | Hub de IA | Sim, gerencie e governe ativos de IA. | Sim, para o Azure Machine Learning clássico e LLMs. |
| Rede privada | Sim | Sim | |
| Prevenção de perda de dados | Sim | Sim | |
| Classificação de dados | Não | Sim, através da Purview. |