Сравнение продуктов и технологий машинного обучения Майкрософт
Узнайте о продуктах и технологиях машинного обучения Майкрософт. Сравните варианты для эффективной сборки, развертывания и администрирования решений машинного обучения.
Продукты машинного обучения на основе облака
Для машинного обучения в облаке доступны следующие решения.
| Вариант облака | Описание | Функции и использование |
|---|---|---|
| Машинное обучение Azure | Управляемая платформа для машинного обучения | Используйте предварительно обученную модель или обучение, развертывание и управление моделями в Azure с помощью Python и ИНТЕРФЕЙСА командной строки. Машинное обучение включает такие функции, как автоматизированное машинное обучение (AutoML), поток запросов, каталог моделей и интеграция MLflow. Вы можете отслеживать и понимать производительность модели на этапе производства. |
| Microsoft Fabric | Унифицированная платформа аналитики | Управляйте всем жизненным циклом данных, от приема к аналитическим сведениям с помощью комплексной платформы, которая интегрирует различные службы и средства для специалистов по обработке и анализу данных, включая инженеров данных, специалистов по обработке и анализу данных и бизнес-аналитиков. |
| услуги ИИ Azure | Предварительно созданные возможности искусственного интеллекта, реализованные с помощью REST API и пакетов SDK | Создавайте интеллектуальные приложения с помощью стандартных языков программирования. Эти языки вызывают API-интерфейсы, обеспечивающие вывод. Хотя в идеале у вас должен быть опыт машинного обучения и обработки и анализа данных, инженерные команды, которые не имеют этих навыков, также могут принять эту платформу. |
| службы машинного обучения управляемого экземпляра SQL Azure | Машинное обучение для баз данных в SQL | Обучение и развертывание моделей в Управляемом экземпляре SQL. |
| Машинное обучение в Azure Synapse Analytics | Служба аналитики, использующая машинное обучение | Обучение и развертывание моделей в Azure Synapse Analytics. |
| Azure Databricks | Платформа аналитики на основе Apache Spark | Создание и развертывание моделей и рабочих процессов данных путем интеграции с библиотеками машинного обучения с открытым исходным кодом и платформой MLflow. |
Локальный продукт машинного обучения
Следующий вариант доступен для локального обучения машинного обучения. Локальные серверы также могут работать на виртуальной машине в облаке.
| Локальный продукт | Описание | Функции и использование |
|---|---|---|
| службы машинного обучения SQL Server | Машинное обучение для баз данных в SQL | Обучение и развертывание моделей в SQL Server с помощью скриптов Python и R. |
Платформы и средства разработки
Для машинного обучения доступны следующие платформы и средства разработки.
| Платформа или инструмент | Описание | Функции и использование |
|---|---|---|
| портале Azure AI Foundry | Единая среда разработки для сценариев искусственного интеллекта и машинного обучения | Разработка, оценка и развертывание моделей и приложений ИИ. Портал Azure AI Foundry упрощает совместную работу и управление проектами в различных службах ИИ Azure. Ее можно использовать даже в качестве общей среды в нескольких командах рабочей нагрузки. |
| Студии машинного обучения Azure | Инструмент совместной работы, перетаскивания для машинного обучения | Создание, тестирование и развертывание решений прогнозной аналитики с помощью минимального кода. Студия машинного обучения поддерживает широкий спектр алгоритмов машинного обучения и моделей ИИ. Он предоставляет средства для подготовки данных, обучения модели и оценки. |
| Виртуальная машина для обработки и анализа данных Azure | Образ виртуальной машины, включающий предварительно установленные средства обработки и анализа данных | Используйте предварительно настроенную среду с такими инструментами, как Jupyter, R и Python, для разработки решений машинного обучения на собственных виртуальных машинах. |
| Майкрософт ML.NET | Кроссплатформенный пакет SDK для машинного обучения с открытым исходным кодом | Разработка решений машинного обучения для приложений .NET. |
| ИИ для приложений Windows | Подсистема вывода для обученных моделей на устройствах Windows | Интегрирует возможности искусственного интеллекта в приложения Windows с помощью таких компонентов, как машинное обучение Windows (WinML) и Прямое машинное обучение (DirectML), обеспечивая локальную оценку моделей ИИ в режиме реального времени и ускорение работы на аппаратном уровне. |
| SynapseML | Основанная на исходном коде распределенная платформа машинного обучения и микрослужб для Apache Spark | Создание и развертывание масштабируемых приложений машинного обучения для Scala и Python. |
| расширение машинного обучения для Azure Data Studio | Основанное на открытом исходном коде кроссплатформенное расширение машинного обучения для Azure Data Studio | Управление пакетами, импорт моделей машинного обучения, прогнозирование и создание записных книжек для выполнения экспериментов для баз данных SQL. |
Машинное обучение Azure
машинное обучение — это полностью управляемая облачная служба, которую можно использовать для обучения, развертывания и управления моделями машинного обучения в масштабе. Она полностью поддерживает технологии с открытым кодом, поэтому вы можете использовать десятки тысяч пакетов Python с открытым кодом, таких как TensorFlow, PyTorch и scikit-learn.
Доступны также расширенные средства, такие как вычислительные экземпляры , записные книжки Jupyter , или расширение машинного обучения Azure для Visual Studio Code (VS Code) . Расширение Машинного обучения для VS Code — это бесплатное расширение, позволяющее управлять ресурсами и рабочими процессами обучения моделей и развертываниями в VS Code. Машинное обучение включает функции, которые автоматизируют создание и настройку моделей с легкостью, эффективностью и точностью.
Используйте пакет SDK для Python, записные книжки Jupyter, R и CLI для машинного обучения в масштабе облака. Если вы хотите вариант, который требует мало или вообще не программировать, используйте редактор в студии. Конструктор помогает легко и быстро создавать, тестировать и развертывать модели с помощью предварительно созданных алгоритмов машинного обучения. Кроме того, вы можете интегрировать Машинное обучение с Azure DevOps и GitHub Actions для непрерывной интеграции и непрерывного развертывания (CI/CD) моделей машинного обучения.
| Функция машинного обучения | Описание |
|---|---|
| Тип | Решение машинного обучения на основе облака |
| Поддерживаемые языки | -Питон - R |
| Этапы машинного обучения | — подготовка данных — Обучение модели -Развёртывание – MLOps или управление — ответственный ИИ |
| Основные преимущества | — варианты создания веб-интерфейсов: первоначально кодовый подход (SDK), использование студии и разработка с помощью функции перетаскивания. — централизованное управление скриптами и журналом выполнения, что упрощает сравнение версий модели. — простое развертывание и управление моделями на облачных или пограничных устройствах — Масштабируемое обучение, развертывание и управление моделями машинного обучения |
| Рекомендации | Требуется некоторое знакомство с моделью управления моделями. |
Службы ИИ Azure
службы ИИ — это комплексный набор предварительно созданных API, которые помогают разработчикам и организациям быстро создавать интеллектуальные, готовые к рынкам приложения. Эти службы предоставляют стандартные и настраиваемые API и пакеты SDK, которые позволяют приложениям просматривать, слышать, говорить, понимать и интерпретировать потребности пользователей с минимальным кодом. Эти возможности делают наборы данных или знания по обработке и анализу данных для обучения моделей ненужными. Вы можете добавить интеллектуальные функции в приложения, например:
- Визуальное распознавание: Включает обнаружение объектов, распознавание лиц и оптическое распознавание символов. Дополнительные сведения см. в Azure AI Vision, Azure AI Faceи Интеллектуальная обработка документов Azure AI.
- Речь: включает функции преобразования речи в текст, текста в речь и распознавания говорящего. Дополнительные сведения см. в службе "Речь".
- язык : Включает перевод, анализ тональности, извлечение ключевых фраз и распознавание речи. Дополнительные сведения см. в Azure OpenAI Service, переводчике ИИ Azure, иммерсивном инструменте чтения ИИ Azure, Bot Framework Composerи языке ИИ Azure.
- Принятие решений: обнаружить нежелательное содержимое и принять обоснованные решения. Дополнительные сведения см. в безопасности содержимого ИИ Azure.
- Поиск и знания: Предоставьте возможности облачного поиска и интеллектуального анализа знаний на основе искусственного интеллекта в ваши приложения. Дополнительные сведения см. в статье "Поиск ИИ Azure".
Используйте службы ИИ для разработки приложений на разных устройствах и платформах. API постоянно улучшаются и легко настраиваются.
| Функция служб ИИ | Описание |
|---|---|
| Тип | API-интерфейсы для создания интеллектуальных приложений |
| Поддерживаемые языки | Различные варианты в зависимости от службы. Стандартные параметры: C#, Java, JavaScript и Python. |
| Этапы машинного обучения | Развертывание |
| Основные преимущества | — создание интеллектуальных приложений с помощью предварительно обученных моделей, доступных через REST API и пакет SDK — Использовать различные модели для естественных методов коммуникации со зрением, речью, языком и способностью принимать решения — Нет или минимальный опыт машинного обучения или обработки и анализа данных не требуется API масштабируемы и гибки — Вы можете выбрать различные модели |
Машинное обучение SQL
Машинное обучение SQLпредоставляет возможности статистического анализа, визуализации данных и прогнозной аналитики на Python и R для реляционных данных как в локальной, так и в облачной среде. Ниже перечислены текущие платформы и средства.
- службы машинного обучения SQL Server.
- Службы машинного обучения для управляемого экземпляра SQL.
- Машинное обучение в Azure Synapse Analytics.
- расширение машинного обучения для Azure Data Studio.
Используйте машинное обучение SQL, если вам нужны встроенный ИИ и прогнозная аналитика для реляционных данных в SQL.
| Функция машинного обучения SQL | Описание |
|---|---|
| Тип | Прогнозная аналитика для реляционных данных в локальной среде |
| Поддерживаемые языки | -Питон - R — SQL |
| Этапы машинного обучения | — подготовка данных — Обучение модели -Развёртывание |
| Основные преимущества | Инкапсулируйте прогнозную логику в функции базы данных. Этот процесс упрощает включение логики уровня данных. |
| Рекомендации | Предполагается, что база данных SQL используется в качестве уровня данных для приложения. |
Azure AI Foundry
Azure AI Foundry — это единая платформа, которую можно использовать для разработки и развертывания созданных приложений ИИ и API Azure. Он предоставляет полный набор возможностей искусственного интеллекта, упрощённый пользовательский интерфейс и возможности для разработки с использованием кода в первую очередь. Эти функции обеспечивают комплексную платформу для создания, тестирования, развертывания и управления интеллектуальными решениями.
Azure AI Foundry помогает разработчикам и специалистам по обработке и анализу данных эффективно создавать и развертывать созданные приложения ИИ с помощью предложений ИИ Azure. Он подчеркивает ответственное развитие ИИ и внедряет принципы справедливости, прозрачности и подотчетности. Платформа включает средства для обнаружения предвзятости, интерпретации и сохранения конфиденциальности машинного обучения. Эти средства помогают гарантировать, что модели искусственного интеллекта являются мощными, надежными и соответствуют нормативным требованиям.
В рамках экосистемы Microsoft Azure AI Foundry предоставляет надежные средства и службы, которые удовлетворяют различным потребностям искусственного интеллекта и машинного обучения, включая обработку естественного языка и компьютерное зрение. Его интеграция с другими службами Azure помогает обеспечить бесшовную масштабируемость и производительность, что делает его идеальным вариантом для предприятий.
Портал Azure AI Foundry способствует совместной работе и инновациям, предоставляя такие функции, как общие рабочие области, управление версиями и интегрированные среды разработки. Интеграция популярных платформ с открытым исходным кодом и инструментов, Azure AI Foundry ускоряет процесс разработки, чтобы организации могли управлять инновациями и оставаться впереди в конкурентном ландшафте ИИ.
| Функция Azure AI Foundry | Описание |
|---|---|
| Тип | Единая среда разработки для искусственного интеллекта |
| Поддерживаемые языки | Только Python |
| Этапы машинного обучения | — подготовка данных — развертывание (модели как услуга(MaaS)) |
| Основные преимущества | — упрощает совместную работу и управление проектами в различных службах ИИ — предоставляет комплексные средства для создания, обучения и развертывания моделей ИИ — подчеркивает ответственный ИИ, предоставляя средства для обнаружения предвзятости, интерпретации и сохранения конфиденциальности машинного обучения. — Поддерживает интеграцию с популярными платформами и инструментами с открытым исходным кодом — Включает поток запросов для создания рабочих процессов на основе запросов и управления ими упрощает цикл разработки приложений ИИ, основанных на языковых моделях. |
Студия машинного обучения Azure
студия машинного обучения Azure — это средство для совместной работы с функцией перетаскивания, предназначенное для создания, тестирования и развертывания решений прогнозной аналитики на ваших данных. Он предназначен для специалистов по обработке и анализу данных, инженеров данных и бизнес-аналитиков. Студия машинного обучения поддерживает широкий спектр алгоритмов и средств машинного обучения для подготовки данных, обучения моделей и оценки. Он также предоставляет визуальный интерфейс для подключения наборов данных и модулей на интерактивном холсте.
| Функция Студии машинного обучения | Описание |
|---|---|
| Тип | Инструмент совместной работы, перетаскивания для машинного обучения |
| Поддерживаемые языки | -Питон - R — Scala — Java (ограниченный интерфейс) |
| Этапы машинного обучения | — подготовка данных — Обучение модели -Развёртывание |
| Основные преимущества | — не требует написания кода для создания моделей машинного обучения — Поддерживает широкий спектр алгоритмов и средств машинного обучения для подготовки данных, обучения модели и оценки. — предоставляет визуальный интерфейс для подключения наборов данных и модулей на интерактивном холсте — поддерживает интеграцию с Машинным обучением для сложных задач машинного обучения |
Полное сравнение студии машинного обучения и портала Azure AI Foundry см. на портале Azure AI Foundry или студии машинного обучения. В следующей таблице приведены основные различия между ними:
| Категория | Возможность | Портал Azure AI Foundry | Студия машинного обучения |
|---|---|---|---|
| хранилище данных | Решение хранилища | No | Да (облачная файловая система, OneLake, служба хранилища Azure) |
| подготовки данных | Интеграция данных | Да (Azure Blob Storage, OneLake, Azure Data Lake Storage) | Да (копирование и подключение с помощью учетных записей хранения Azure) |
| Разработка | Средства code-first | Да (VS Code) | Да (Записные книжки, Jupyter, VS Code, R Studio) |
| Языки | Поддерживаемые языки | Только Python | Python, R, Scala, Java |
| Обучение | AutoML | No | Да (регрессия, классификация, прогнозирование, CV, NLP) |
| целевые объекты вычислений | Обучение вычислений | Бессерверный (MaaS, поток запроса) | Кластеры Spark, кластеры машинного обучения, Azure Arc |
| Генерированный ИИ | Каталог языковой модели | Да (Azure OpenAI, Обнимающая лицо, мета) | Да (Azure OpenAI, Обнимающая лицо, мета) |
| Развертывание | Обслуживание в режиме реального времени и пакетной службы | Режим реального времени (MaaS) | Конечные точки пакетной службы, Azure Arc |
| Система управления | Средства ответственного искусственного интеллекта | No | Да (панель мониторинга ответственного ИИ) |
Microsoft Fabric
Fabric — это сквозная единая платформа аналитики, которая объединяет все данные и необходимые аналитические инструменты, которые нужны организациям. Она интегрирует различные службы и средства для обеспечения простого опыта для специалистов по обработке и анализу данных, включая инженеров данных, специалистов по обработке и анализу данных и бизнес-аналитиков. Fabric предоставляет возможности интеграции данных, проектирования данных, хранения данных, обработки и анализа данных, аналитики в режиме реального времени и бизнес-аналитики.
Используйте Fabric, если вам нужна комплексная платформа для управления всем жизненным циклом данных от приема до аналитических сведений.
| Компонент Fabric | Описание |
|---|---|
| Тип | Унифицированная платформа аналитики |
| Поддерживаемые языки | -Питон - R — SQL — Scala |
| Этапы машинного обучения | — подготовка данных — Обучение модели -Развёртывание — аналитика в режиме реального времени |
| Основные преимущества | — унифицированная платформа для всех потребностей в данных и аналитике — простая интеграция с другими службами Майкрософт — масштабируемые и гибкие — Поддерживает широкий спектр средств аналитики и данных — упрощает совместную работу между разными ролями в организации — комплексное управление жизненным циклом данных от приема до аналитических сведений — возможности аналитики в режиме реального времени и бизнес-аналитики — поддержка обучения и развертывания модели машинного обучения — интеграция с популярными платформами машинного обучения и инструментами — средства для подготовки данных и проектирования компонентов — вывод и аналитика машинного обучения в режиме реального времени |
Виртуальная машина для обработки и анализа данных Azure
виртуальная машина для обработки и анализа данных Azure — это настраиваемая среда виртуальной машины в облаке Microsoft Azure. Она доступна в версиях для Windows и Linux Ubuntu. Среда специально предназначена для задач обработки и анализа данных и разработки решений машинного обучения. Она имеет множество популярных функций обработки и анализа данных, платформ машинного обучения и других инструментов, которые предварительно установлены и предварительно настроены, чтобы вы могли начать создавать интеллектуальные приложения для расширенной аналитики.
Используйте виртуальную машину для обработки и анализа данных, если необходимо выполнить или разместить задания на одном узле или удаленно масштабировать обработку на одном компьютере.
| Функция виртуальной машины для обработки и анализа данных Azure | Описание |
|---|---|
| Тип | Настраиваемая среда виртуальной машины для обработки и анализа данных |
| Основные преимущества | — сокращение времени на установку, управление и устранение неполадок с инструментами и платформами для обработки и анализа данных — включает последние версии часто используемых средств и платформ. — включает возможности высокомасштабируемых изображений и графических процессоров (GPU) для интенсивного моделирования данных |
| Рекомендации | — Виртуальная машина недоступна, когда находится в автономном режиме. — При запуске виртуальной машины взимается плата за Azure, поэтому необходимо убедиться, что она выполняется только при необходимости. |
Azure Databricks
Azure Databricks — это платформа аналитики на основе Apache Spark, оптимизированная для облачной платформы Microsoft Azure. Azure Databricks интегрирован с Azure для предоставления настройки в один клик, упрощения потоков работ и интерактивной рабочей области, которая обеспечивает совместную работу между специалистами по обработке и анализу данных, инженерами данных и бизнес-аналитиками. Используйте код Python, R, Scala и SQL в онлайновых записных книжках, чтобы запрашивать, визуализировать и моделировать данные.
Используйте Azure Databricks, если вы хотите совместно создавать решения машинного обучения в Apache Spark.
| Функция Azure Databricks | Описание |
|---|---|
| Тип | Платформа аналитики на основе Apache Spark |
| Поддерживаемые языки | -Питон - R — Scala — SQL |
| Этапы машинного обучения | — подготовка данных — предварительная обработка данных — Обучение модели — настройка модели — вывод модели -Управление -Развёртывание |
| Основные преимущества | — настройка и упрощение рабочих процессов с одним щелчком для простого использования — интерактивная рабочая область для совместной работы — простая интеграция с Azure — Масштабируемость для обработки больших наборов данных и интенсивных вычислений — Поддержка различных языков и интеграция с популярными инструментами |
ML.NET
ML.NET — это кроссплатформенная платформа машинного обучения с открытым кодом. Используйте ML.NET для создания пользовательских решений машинного обучения и интеграции их в приложения .NET. ML.NET предоставляет различные уровни взаимодействия с популярными платформами, такими как TensorFlow и ONNX для обучения и оценки моделей машинного обучения и глубокого обучения. Для задач, требующих много ресурсов, таких как обучение моделей классификации изображений, можно использовать Azure для их обучения в облаке.
Используйте ML.NET, если вам нужно интегрировать решения для машинного обучения в приложения .NET. Выберите API для работы по модели code-first и Model Builder или CLI для написания небольшого объема кода.
| функция ML.NET | Описание |
|---|---|
| Тип | Кроссплатформенная платформа с открытым кодом для разработки пользовательских приложений машинного обучения с помощью .NET |
| Поддерживаемые языки | — C# - F# |
| Этапы машинного обучения | — подготовка данных -Тренировка -Развёртывание |
| Основные преимущества | — нет необходимости в обработке и анализе данных или машинном обучении — знакомые языки и инструменты, такие как Visual Studio и VS Code — развертывает приложение, где работает .NET — расширяемый и масштабируемый дизайн — ориентированный на локальный опыт — AutoML для автоматизированных задач машинного обучения |
ИИ для приложений Windows
Используйте ИИ для приложений Windows для интеграции возможностей ИИ в приложения Windows с помощью возможностей WinML и DirectML для обеспечения локальной оценки модели ИИ в режиме реального времени и аппаратного ускорения. WinML позволяет разработчикам интегрировать обученные модели машинного обучения непосредственно в приложения Windows. Это упрощает локальную оценку моделей в режиме реального времени и обеспечивает мощные возможности искусственного интеллекта без необходимости подключения к облаку.
DirectML — это высокопроизводительная платформа с аппаратным ускорением для выполнения моделей машинного обучения. В нем используются API DirectX для обеспечения оптимизированной производительности на различных аппаратных устройствах, включая графические процессоры и акселераторы искусственного интеллекта.
ИИ для приложений Windows, если вы хотите использовать обученные модели машинного обучения в приложениях Windows.
| Функция ИИ для приложений Windows | Описание |
|---|---|
| Тип | Подсистема вывода для обученных моделей на устройствах Windows |
| Поддерживаемые языки | — C#/C++ — JavaScript |
| Этапы машинного обучения | — подготовка данных — Обучение модели -Развёртывание |
| Основные преимущества | — Локальная оценка модели искусственного интеллекта в режиме реального времени — высокопроизводительная обработка искусственного интеллекта в различных типах оборудования, включая процессоры, графические процессоры и акселераторы ИИ. — согласованное поведение и производительность на оборудовании Windows |
SynapseML
SynapseML, ранее известный как MMLSpark, — это библиотека с открытым кодом, которая упрощает создание конвейеров машинного обучения с массовым масштабированием. SynapseML предоставляет API для различных задач машинного обучения, таких как анализ текста, зрение и обнаружение аномалий. SynapseML основан на платформе Apache Spark распределенной вычислительной платформы и использует тот же API, что и библиотеки SparkML и MLlib, поэтому вы можете легко внедрить модели SynapseML в существующие рабочие процессы Apache Spark.
SynapseML добавляет множество средств глубоко го обучения и обработки и анализа данных в экосистему Spark, включая простую интеграцию конвейеров машинного обучения Spark сlight Gradient Boosting Machine (LightGBM), Локальные интерпретации Model-Agnostic поясненийи OpenCV. Эти средства можно использовать для создания мощных прогнозных моделей в любом кластере Spark, например Azure Databricks или Azure Cosmos DB.
SynapseML также предоставляет сетевые возможности для экосистемы Spark. С помощью проекта HTTP в Spark пользователи могут внедрять любые веб-службы в свои модели SparkML. Кроме того, SynapseML предоставляет удобные средства для оркестрации служб ИИ в широком масштабе. Для развертывания промышленного уровня проект Spark Serving позволяет обеспечить высокую пропускную способность и задержку менее миллисекунды у веб-служб, поддерживаемых вашим кластером Spark.
| Функция SynapseML | Описание |
|---|---|
| Тип | Основанная на исходном коде распределенная платформа машинного обучения и микрослужб для Apache Spark |
| Поддерживаемые языки | — Scala -Ява -Питон - R -.СЕТЬ |
| Этапы машинного обучения | — подготовка данных — Обучение модели -Развёртывание |
| Основные преимущества | -Масштабируемость — совместимость потоковой передачи и обслуживания — высокая отказоустойчивость |
| Рекомендации | Требуется Apache Spark |
Соавторы
Эта статья поддерживается корпорацией Майкрософт. Первоначально он был написан следующими участниками.
Основные авторы:
- Махди Сетайеш | Главный инженер программного обеспечения
Чтобы просмотреть недоступные профили LinkedIn, войдите в LinkedIn.
Следующие шаги
- продукты разработки ИИ, доступные от Корпорации Майкрософт
- курс Microsoft Learn по разработке решений в области искусственного интеллекта и машинного обучения
- Принцип работы машинного обучения Azure