Jämföra Microsofts maskininlärningsprodukter och -tekniker
Lär dig mer om maskininlärningsprodukter och -tekniker från Microsoft. Jämför alternativ som hjälper dig att välja hur du på bästa sätt skapar, distribuerar och hanterar dina maskininlärningslösningar.
Molnbaserade maskininlärningsprodukter
Följande alternativ är tillgängliga för maskininlärning i Azure-molnet.
| Molnalternativ | beskrivning | Funktioner och användningsområden |
|---|---|---|
| Azure Machine Learning | Hanterad plattform för maskininlärning | Använd en förtränad modell eller träna, distribuera och hantera modeller i Azure med hjälp av Python och ett CLI. Machine Learning innehåller funktioner som automatisk maskininlärning (AutoML), promptflöde, modellkatalog och MLflow-integrering. Du kan spåra och förstå modellprestanda under produktionsfasen. |
| Microsoft Fabric | Enhetlig analysplattform | Hantera hela datalivscykeln, från inmatning till insikter, med hjälp av en omfattande plattform som integrerar olika tjänster och verktyg för dataexperter, inklusive datatekniker, dataforskare och affärsanalytiker. |
| Azure AI-tjänster | Fördefinierade AI-funktioner som implementeras via REST-API:er och SDK:er | Skapa intelligenta program med hjälp av standardprogrammeringsspråk. Dessa språk anropar API:er som ger slutsatsdragning. Även om du helst bör ha maskininlärnings- och datavetenskapsexpertis, kan ingenjörsteam som inte har dessa kunskaper även använda den här plattformen. |
| Maskininlärningstjänster för Azure SQL Managed Instance | Maskininlärning i databasen för SQL | Träna och distribuera modeller i SQL Managed Instance. |
| Maskininlärning i Azure Synapse Analytics | Analystjänst som använder maskininlärning | Träna och distribuera modeller i Azure Synapse Analytics. |
| Azure Databricks | Apache Spark-baserad analysplattform | Skapa och distribuera modeller och dataarbetsflöden genom att integrera med maskininlärningsbibliotek med öppen källkod och MLflow- plattform. |
Lokal maskininlärningsprodukt
Följande alternativ är tillgängligt för maskininlärning lokalt. Lokala servrar kan också köras på en virtuell dator (VM) i molnet.
| Lokalt installerad produkt | beskrivning | Funktioner och användningsområden |
|---|---|---|
| SQL Server-maskininlärningstjänster | Maskininlärning i databasen för SQL | Träna och distribuera modeller i SQL Server med hjälp av Python- och R-skript. |
Utvecklingsplattformar och verktyg
Följande utvecklingsplattformar och verktyg är tillgängliga för maskininlärning.
| Plattform eller verktyg | beskrivning | Funktioner och användningsområden |
|---|---|---|
| Azure AI Foundry-portalen | Enhetlig utvecklingsmiljö för AI- och maskininlärningsscenarier | Utveckla, utvärdera och distribuera AI-modeller och program. Azure AI Foundry-portalen underlättar samarbete och projekthantering i olika Azure AI-tjänster. Du kan till och med använda den som en gemensam miljö i flera arbetsbelastningsteam. |
| Azure Machine Learning Studio | Samarbetsverktyg för dra och släpp för maskininlärning | Skapa, testa och distribuera lösningar för förutsägelseanalys med minimal kodning. Machine Learning Studio stöder ett brett utbud av maskininlärningsalgoritmer och AI-modeller. Den innehåller verktyg för förberedelse av data, modellträning och utvärdering. |
| Azure Data Science Virtual Machine | VM-avbildning som innehåller förinstallerade datavetenskapsverktyg | Använd en förkonfigurerad miljö med verktyg som Jupyter, R och Python för att utveckla maskininlärningslösningar på dina egna virtuella datorer. |
| Microsoft ML.NET | SDK för maskininlärning med öppen källkod och plattformsoberoende | Utveckla maskininlärningslösningar för .NET-program. |
| AI för Windows-appar | Slutsatsdragningsmotor för tränade modeller på Windows-enheter | Integrerar AI-funktioner i Windows-program med hjälp av komponenter som Windows Machine Learning (WinML) och Direct Machine Learning (Direct Machine Learning) för lokal ai-modellutvärdering och maskinvaruacceleration i realtid. |
| SynapseML | Ramverk för distribuerad maskininlärning och mikrotjänster med öppen källkod för Apache Spark | Skapa och distribuera skalbara maskininlärningsprogram för Scala och Python. |
| Machine Learning-tillägg för Azure Data Studio | Maskininlärningstillägg med öppen källkod och plattformsoberoende för Azure Data Studio | Hantera paket, importera maskininlärningsmodeller, göra förutsägelser och skapa notebook-filer för att köra experiment för dina SQL-databaser. |
Azure Machine Learning
Machine Learning är en fullständigt hanterad molntjänst som du kan använda för att träna, distribuera och hantera maskininlärningsmodeller i stor skala. Den har fullt stöd för tekniker med öppen källkod, så du kan använda tiotusentals Python-paket med öppen källkod, till exempel TensorFlow, PyTorch och scikit-learn.
Omfattande verktyg, till exempel beräkningsinstanser, Jupyter Notebookseller tillägget Azure Machine Learning for Visual Studio Code (VS Code), är också tillgängliga. Machine Learning for VS Code-tillägget är ett kostnadsfritt tillägg som gör att du kan hantera dina resurser och modellera arbetsflöden och distributioner för träning i VS Code. Machine Learning innehåller funktioner som automatiserar modellgenerering och justering med enkelhet, effektivitet och noggrannhet.
Använd Python SDK, Jupyter Notebooks, R och CLI för maskininlärning i molnskala. Om du vill ha ett alternativ med låg kod eller ingen kod använder du Designer i studion. Designer hjälper dig att enkelt och snabbt skapa, testa och distribuera modeller med hjälp av fördefinierade maskininlärningsalgoritmer. Dessutom kan du integrera Machine Learning med Azure DevOps och GitHub Actions för kontinuerlig integrering och kontinuerlig distribution (CI/CD) av maskininlärningsmodeller.
| Maskininlärningsfunktion | beskrivning |
|---|---|
| Typ | Molnbaserad maskininlärningslösning |
| Språk som stöds | - Python - R |
| Maskininlärningsfaser | – Förberedelse av data – Modellträning -Utplacering – MLOps eller förvaltning – Ansvarsfull AI |
| Viktiga fördelar | – Kod först (SDK) och studio- samt alternativ för design av webbgränssnitt med dra och släpp – Central hantering av skript och körningshistorik, vilket gör det enkelt att jämföra modellversioner – Enkel distribution och hantering av modeller till molnet eller gränsenheter – Skalbar utbildning, distribution och hantering av maskininlärningsmodeller |
| Överväganden | Kräver viss kunskap om modellhanteringsmodellen. |
Azure AI-tjänster
AI-tjänster är en omfattande uppsättning fördefinierade API:er som hjälper utvecklare och organisationer att snabbt skapa intelligenta, marknadsklara program. Dessa tjänster tillhandahåller färdiga och anpassningsbara API:er och SDK:er som gör att dina appar kan se, höra, tala, förstå och tolka användarbehov med minimal kod. Dessa funktioner gör datamängder eller datavetenskapsexpertis för att träna modeller onödiga. Du kan lägga till intelligenta funktioner i dina appar, till exempel:
- Vision: Innehåller objektidentifiering, ansiktsigenkänning och optisk teckenigenkänning. Mer information finns i Azure AI Vision, Azure AI Faceoch Azure AI Document Intelligence.
- Speech: Innehåller funktioner för tal till text, text till tal och talarigenkänning. Mer information finns i Speech Service.
- Language: Innehåller översättning, attitydanalys, extrahering av nyckelfraser och språktolkning. Mer information finns i Azure OpenAI Service, Azure AI Translator, Azure AI Immersive Reader, Bot Framework Composeroch Azure AI Language.
- Beslutsfattande: Identifiera oönskat innehåll och fatta välgrundade beslut. Mer information finns i Azure AI Content Safety.
- Sökning och kunskap: Bring AI-baserade molnsöknings- och kunskapsutvinningsfunktioner till dina appar. Mer information finns i Azure AI Search.
Använd AI-tjänster för att utveckla appar mellan enheter och plattformar. API:erna förbättras kontinuerligt och är enkla att konfigurera.
| AI-tjänsters funktion | beskrivning |
|---|---|
| Typ | API:er för att skapa intelligenta program |
| Språk som stöds | Olika alternativ beroende på tjänsten. Standardalternativen är C#, Java, JavaScript och Python. |
| Maskininlärningsfaser | Distribution |
| Viktiga fördelar | – Skapa intelligenta program med hjälp av förtränad modeller som är tillgängliga via REST API och SDK – Använda olika modeller för naturliga kommunikationsmetoder som har visions-, tal-, språk- och beslutsfunktioner – Ingen eller minimal maskininlärning eller datavetenskapsexpertis krävs – API:erna är skalbara och flexibla - Du kan välja mellan olika modeller |
SQL-maskininlärning
SQL-maskininlärning lägger till statistisk analys, datavisualisering och förutsägelseanalys i Python och R för relationsdata, både lokalt och i molnet. Aktuella plattformar och verktyg är:
- SQL Server Machine Learning Services.
- SQL Managed Instance Maskininlärningstjänster.
- Machine Learning i Azure Synapse Analytics.
- Machine Learning-tillägget för Azure Data Studio.
Använd SQL-maskininlärning när du behöver inbyggd AI och förutsägelseanalys på relationsdata i SQL.
| SQL-maskininlärningsfunktion | beskrivning |
|---|---|
| Typ | Lokal förutsägelseanalys för relationsdata |
| Språk som stöds | -Python - R -SQL |
| Maskininlärningsfaser | – Förberedelse av data – Modellträning -Utplacering |
| Viktiga fördelar | Kapsla in förutsägelselogik i en databasfunktion. Den här processen gör det enkelt att inkludera datanivålogik. |
| Överväganden | Förutsätter att du använder en SQL-databas som datanivå för ditt program. |
Azure AI Foundry
Azure AI Foundry är en enhetlig plattform som du kan använda för att utveckla och distribuera generativa AI-program och Azure AI-API:er på ett ansvarsfullt sätt. Det ger en omfattande uppsättning AI-funktioner, ett förenklat användargränssnitt och kodscentrerade upplevelser. De här funktionerna gör den till en omfattande plattform för att skapa, testa, distribuera och hantera intelligenta lösningar.
Azure AI Foundry hjälper utvecklare och dataforskare att effektivt skapa och distribuera generativa AI-program med hjälp av Azure AI-erbjudanden. Den betonar ansvarsfull AI-utveckling och bäddar in principer för rättvisa, transparens och ansvarsskyldighet. Plattformen innehåller verktyg för biasidentifiering, tolkning och sekretessbevarande maskininlärning. De här verktygen hjälper till att säkerställa att AI-modeller är kraftfulla, tillförlitliga och kompatibla med regelkrav.
Som en del av Microsoft Azure-ekosystemet tillhandahåller Azure AI Foundry robusta verktyg och tjänster som tillgodoser olika AI- och maskininlärningsbehov, inklusive bearbetning av naturligt språk och visuellt innehåll. Integreringen med andra Azure-tjänster bidrar till sömlös skalbarhet och prestanda, vilket gör det till ett idealiskt alternativ för företag.
Azure AI Foundry-portalen främjar samarbete och innovation genom att tillhandahålla funktioner som delade arbetsytor, versionskontroll och integrerade utvecklingsmiljöer. Genom att integrera populära ramverk och verktyg med öppen källkod påskyndar Azure AI Foundry utvecklingsprocessen så att organisationer kan driva innovation och ligga steget före i det konkurrenskraftiga AI-landskapet.
| Azure AI Foundry-funktion | beskrivning |
|---|---|
| Typ | Enhetlig utvecklingsmiljö för AI |
| Språk som stöds | Endast Python |
| Maskininlärningsfaser | – Förberedelse av data – Distribution (Modeller som en tjänst (MaaS)) |
| Viktiga fördelar | – Underlättar samarbete och projekthantering i olika AI-tjänster – Innehåller omfattande verktyg för att skapa, träna och distribuera AI-modeller – Betonar ansvarsfull AI genom att tillhandahålla verktyg för biasidentifiering, tolkning och sekretessbevarande maskininlärning – Stöder integrering med populära ramverk och verktyg med öppen källkod – Innehåller promptflöde för att skapa och hantera promptbaserade arbetsflöden Snabbflöde förenklar utvecklingscykeln för AI-program som drivs av språkmodeller |
Azure Machine Learning Studio
Azure Machine Learning Studio är ett samarbetsverktyg för att skapa, testa och distribuera lösningar för förutsägelseanalys på dina data. Den är utformad för dataforskare, datatekniker och affärsanalytiker. Machine Learning Studio stöder en mängd olika maskininlärningsalgoritmer och verktyg för förberedelse av data, modellträning och utvärdering. Det ger också ett visuellt gränssnitt för att ansluta datauppsättningar och moduler på en interaktiv arbetsyta.
| Machine Learning Studio-funktion | beskrivning |
|---|---|
| Typ | Samarbetsverktyg för dra och släpp för maskininlärning |
| Språk som stöds | - Python - R -Scala – Java (begränsad erfarenhet) |
| Maskininlärningsfaser | – Förberedelse av data – Modellträning -Utplacering |
| Viktiga fördelar | – Kräver ingen kodning för att skapa maskininlärningsmodeller – Stöder en mängd olika maskininlärningsalgoritmer och verktyg för förberedelse av data, modellträning och utvärdering – Tillhandahåller ett visuellt gränssnitt för att ansluta datauppsättningar och moduler på en interaktiv arbetsyta – Stöder integrering med Machine Learning för avancerade maskininlärningsuppgifter |
En omfattande jämförelse av Machine Learning Studio och Azure AI Foundry-portalen finns i Azure AI Foundry-portalen eller Machine Learning Studio-. I följande tabell sammanfattas de viktigaste skillnaderna mellan dem:
| Kategori | Funktion | Azure AI Foundry-portalen | Maskininlärningsstudio |
|---|---|---|---|
| datalagring | Lagringslösning | Nej | Ja (molnfilsystem, OneLake, Azure Storage) |
| Dataförberedelse | Dataintegrering | Ja (Azure Blob Storage, OneLake, Azure Data Lake Storage) | Ja (kopiera och montera med hjälp av Azure Storage-konton) |
| Utveckling | Kodverktyg | Ja (VS Code) | Ja (Notebooks, Jupyter, VS Code, R Studio) |
| Språk | Språk som stöds | Endast Python | Python, R, Scala, Java |
| Utbildning | AutoML | Nej | Ja (regression, klassificering, prognostisering, CV, NLP) |
| Beräkningsmål | Träningsberäkning | Serverlös (MaaS, promptflöde) | Spark-kluster, maskininlärningskluster, Azure Arc |
| Generativ AI | Katalog för språkmodell | Ja (Azure OpenAI, Hugging Face, Meta) | Ja (Azure OpenAI, Hugging Face, Meta) |
| Distribution | Realtids- och batchservering | Realtid (MaaS) | Batch-slutpunkter, Azure Arc |
| Styrning | Ansvarsfulla AI-verktyg | Nej | Ja (instrumentpanel för ansvarsfull AI) |
Microsoft Fabric
Fabric är en enhetlig analysplattform från slutpunkt till slutpunkt som samlar alla data- och analysverktyg som organisationer behöver. Den integrerar olika tjänster och verktyg för att ge en sömlös upplevelse för dataexperter, inklusive datatekniker, dataforskare och affärsanalytiker. Fabric tillhandahåller funktioner för dataintegrering, datateknik, datalagring, datavetenskap, realtidsanalys och affärsanalys.
Använd Infrastruktur när du behöver en omfattande plattform för att hantera hela datalivscykeln från inmatning till insikter.
| Fabric-funktion | beskrivning |
|---|---|
| Typ | Enhetlig analysplattform |
| Språk som stöds | - Python - R -SQL -Scala |
| Maskininlärningsfaser | – Förberedelse av data – Modellträning -Utplacering – Realtidsanalys |
| Viktiga fördelar | – Enhetlig plattform för alla data- och analysbehov – Sömlös integrering med andra Microsoft-tjänster – Skalbar och flexibel – Stöder en mängd olika data- och analysverktyg – Underlättar samarbete mellan olika roller i en organisation – Heltäckande datalivscykelhantering från datainmatning till insikter – Funktioner för analys i realtid och business intelligence – Stöd för träning och distribution av maskininlärningsmodeller – Integrering med populära ramverk och verktyg för maskininlärning – Verktyg för förberedelse av data och funktionsutveckling – Slutsatsdragning och analys av maskininlärning i realtid |
Azure Data Science Virtual Machine
Azure Data Science Virtual Machine är en anpassad VM-miljö i Microsoft Azure-molnet. Den är tillgänglig i versioner för både Windows och Linux Ubuntu. Miljön är särskilt avsedd för datavetenskapsuppgifter och utveckling av maskininlärningslösningar. Den har många populära datavetenskapsfunktioner, maskininlärningsramverk och andra verktyg som är förinstallerade och förkonfigurerade så att du kan börja skapa intelligenta program för avancerad analys.
Använd den virtuella datavetenskapsdatorn när du behöver köra eller vara värd för dina jobb på en enda nod eller om du behöver skala upp bearbetningen på en enda dator på distans.
| Azure Data Science Virtual Machine-funktion | beskrivning |
|---|---|
| Typ | Anpassad VM-miljö för datavetenskap |
| Viktiga fördelar | – Kortare tid för att installera, hantera och felsöka datavetenskapsverktyg och ramverk – Innehåller de senaste versionerna av vanliga verktyg och ramverk – Innehåller funktioner för mycket skalbara bilder och grafikbearbetningsenheter (GPU) för intensiv datamodellering |
| Överväganden | – Den virtuella datorn kan inte nås när den är offline. – Att köra en virtuell dator medför Azure-avgifter, så du bör se till att den bara körs när du behöver den. |
Azure Databricks
Azure Databricks är en Apache Spark-baserad analysplattform som är optimerad för Microsoft Azure-molnplattformen. Azure Databricks är integrerat med Azure för att tillhandahålla konfiguration med ett klick, effektiva arbetsflöden och en interaktiv arbetsyta som möjliggör samarbete mellan dataforskare, datatekniker och affärsanalytiker. Använd Python-, R-, Scala- och SQL-kod i webbaserade anteckningsböcker för att fråga, visualisera och modellera data.
Använd Azure Databricks när du vill samarbeta om att skapa maskininlärningslösningar i Apache Spark.
| Azure Databricks-funktion | beskrivning |
|---|---|
| Typ | Apache Spark-baserad analysplattform |
| Språk som stöds | - Python - R -Scala -SQL |
| Maskininlärningsfaser | – Förberedelse av data – Förbearbetning av data – Modellträning – Modelljustering – Modellinferens -Ledning -Utplacering |
| Viktiga fördelar | – Installation med ett klick och effektiva arbetsflöden för enkel användning – Interaktiv arbetsyta för samarbete – Sömlös integrering med Azure – Skalbarhet för att hantera stora datamängder och intensiva beräkningar - Stöd för olika språk och integrering med populära verktyg |
ML.NET
ML.NET är ett plattformsoberoende ramverk för maskininlärning med öppen källkod. Använd ML.NET för att skapa anpassade maskininlärningslösningar och integrera dem i dina .NET-program. ML.NET tillhandahåller olika nivåer av samverkan med populära ramverk som TensorFlow och ONNX för träning och bedömning av maskininlärning och djupinlärningsmodeller. För resursintensiva uppgifter som att träna bildklassificeringsmodeller kan du använda Azure för att träna dina modeller i molnet.
Använd ML.NET när du vill integrera maskininlärningslösningar i dina .NET-program. Välj mellan API:et för en kod-första upplevelse och Model Builder eller CLI för en lågkodsupplevelse.
| ML.NET funktion | beskrivning |
|---|---|
| Typ | Plattformsoberoende ramverk med öppen källkod för utveckling av anpassade maskininlärningsprogram med .NET |
| Språk som stöds | - C# - F# |
| Maskininlärningsfaser | – Förberedelse av data -Träning -Utplacering |
| Viktiga fördelar | – Inget krav på datavetenskap eller maskininlärning – Välbekanta språk och verktyg som Visual Studio och VS Code – Distribuerar programmet där .NET körs – Utökningsbar och skalbar design – Lokal upplevelse – AutoML för automatiserade maskininlärningsuppgifter |
AI för Windows-appar
Använd AI för Windows-appar för att integrera AI-funktioner i Windows-program Använd WinML- och DirectML-funktioner för att tillhandahålla lokal ai-modellutvärdering och maskinvaruacceleration i realtid. Med WinML kan utvecklare integrera tränade maskininlärningsmodeller direkt i sina Windows-program. Det underlättar lokal utvärdering i realtid av modeller och möjliggör kraftfulla AI-funktioner utan behov av molnanslutning.
DirectML är en högpresterande, maskinvaruaccelererad plattform för att köra maskininlärningsmodeller. Den använder DirectX-API:er för att ge optimerad prestanda för olika maskinvara, inklusive GPU:er och AI-acceleratorer.
Använd AI för Windows-appar när du vill använda tränade maskininlärningsmodeller i dina Windows-program.
| Funktionen AI för Windows-appar | beskrivning |
|---|---|
| Typ | Slutsatsdragningsmotor för tränade modeller på Windows-enheter |
| Språk som stöds | - C#/C++ -JavaScript |
| Maskininlärningsfaser | – Förberedelse av data – Modellträning -Utplacering |
| Viktiga fördelar | – Lokal ai-modellutvärdering i realtid – AI-bearbetning med höga prestanda för olika maskinvarutyper, inklusive processorer, GPU:er och AI-acceleratorer – Konsekvent beteende och prestanda i Windows-maskinvara |
SynapseML
SynapseML, som tidigare kallades MMLSpark, är ett bibliotek med öppen källkod som förenklar skapandet av massivt skalbara maskininlärningspipelines. SynapseML tillhandahåller API:er för olika maskininlärningsuppgifter, till exempel textanalys, syn och avvikelseidentifiering. SynapseML bygger på det Apache Spark- distribuerade databehandlingsramverket och delar samma API som SparkML- och MLlib-biblioteken, så att du smidigt kan bädda in SynapseML-modeller i befintliga Apache Spark-arbetsflöden.
SynapseML lägger till många verktyg för djupinlärning och datavetenskap i Spark-ekosystemet, inklusive sömlös integrering av Spark Machine Learning pipelines med Light Gradient Boost Machine (LightGBM), Local Interpretable Model-Agnostic Explanationsoch OpenCV. Du kan använda dessa verktyg för att skapa kraftfulla förutsägelsemodeller i alla Spark-kluster, till exempel Azure Databricks eller Azure Cosmos DB.
SynapseML tillhandahåller även nätverksfunktioner till Spark-ekosystemet. Med PROJEKTET HTTP på Spark kan användarna bädda in valfri webbtjänst i sina SparkML-modeller. SynapseML tillhandahåller dessutom lätthanterbara verktyg för att samordna AI-tjänster i stor skala. För distribution i produktionsklass möjliggör Spark Serving-projektet webbtjänster med högt dataflöde och undermillisekunders svarstid som backas upp av ditt Spark-kluster.
| SynapseML-funktion | beskrivning |
|---|---|
| Typ | Ramverk för distribuerad maskininlärning och mikrotjänster med öppen källkod för Apache Spark |
| Språk som stöds | -Scala -Java - Python - R -.NÄT |
| Maskininlärningsfaser | – Förberedelse av data – Modellträning -Utplacering |
| Viktiga fördelar | -Skalbarhet – Strömnings- och serveringskompatibel – Hög feltolerans |
| Överväganden | Kräver Apache Spark |
Deltagare
Den här artikeln underhålls av Microsoft. Det har ursprungligen skrivits av följande medarbetare.
Huvudsakliga författare:
- Mahdi Setayesh | Huvudprogramtekniker
Om du vill se icke-offentliga LinkedIn-profiler loggar du in på LinkedIn.
Nästa steg
- AI-utvecklingsprodukter som är tillgängliga från Microsoft
- Microsoft Learn-utbildning i att utveckla AI- och maskininlärningslösningar
- Hur Azure Machine Learning fungerar