AI Studio 或 Azure 机器学习：我应该选择哪种体验？
本文可帮助了解何时使用 Azure AI Studio 与 Azure 机器学习。 虽然每个体验中的功能存在一些重叠，但本文概述了它们的功能和最适合每个平台的开发场景。
Azure AI Studio
Azure AI Studio 是一个统一的平台，用于负责任地开发和部署生成式 AI 应用和 Azure AI API。 它包括一组丰富的 AI 功能、简化的用户界面和代码优先体验，提供一站式服务，可用来生成、测试、部署和管理智能解决方案。
AI Studio 是否适合你？
Azure AI Studio 旨在帮助开发人员和数据科学家利用 Azure 广泛的 AI 产品的强大功能高效地构建和部署生成式 AI 应用程序。
Azure AI Studio 的主要功能
- 作为一个团队进行构建。 AI Studio 中心提供企业级安全性以及一个协作环境，其中包含共享资源和与预先训练的模型、数据和计算的连接。
- 安排你的工作。 AI Studio 项目有助于保存状态，使你可以从第一个想法到第一个原型，再到第一个生产部署进行迭代。 还可以轻松邀请其他人参与此旅程。
- 使用首选的开发平台和框架，包括 GitHub、Visual Studio Code、LangChain、语义内核、AutoGen 等。
- 从 1,600 多个模型中发现并设定基准。
- 通过无服务器 API 和托管微调预配模型即服务 (MaaS)。
- 合并多种模型、数据源和形式。
- 使用受保护的企业数据生成检索增强生成 (RAG)，无需进行微调。
- 协调和管理提示工程和大型语言模型 (LLM) 流。
- 使用可配置的筛选器和控件设计和保护应用和 API。
- 使用内置和自定义评估流评估模型响应。
- 通过跨环境的持续监视和治理，将 AI 创新部署到 Azure 的托管基础结构。
- 持续监视已部署应用在生产中的安全、质量和令牌消耗。
Azure Machine Learning Studio
Azure 机器学习工作室是托管的端到端机器学习平台，用于以负责任的方式大规模生成、微调、部署和操作 Azure 机器学习模型。
Azure 机器学习工作室是否适合你？
Azure 机器学习专为机器学习工程师和数据科学家设计。
Azure 机器学习工作室的主要功能
- 使用任何类型的计算（包括 Spark 和 GPU）生成和训练 Azure 机器学习模型，以实现云规模的大型 AI 工作负载。
- 运行自动化 Azure 机器学习 (AutoML) 和拖放 UI，以实现低代码 Azure 机器学习。
- 实现端到端 Azure 机器学习操作和可重复的 Azure 机器学习管道。
- 使用负责任的 AI 仪表板进行偏差检测和错误分析。
- 协调和管理提示工程和 LLM 流。
- 使用 REST API 终结点、实时和批量推理部署模型。
详细功能比较
下表比较了 Azure AI Studio 和 Azure 机器学习工作室的主要功能：
| 类别 | 功能 | Azure AI Studio | Azure Machine Learning Studio |
|---|---|---|---|
| 数据存储 | 存储解决方案 | 否 | 是的，通过云文件系统集成、Fabric 集成中的 OneLake 和Azure 存储帐户。 |
| 数据准备 | 数据集成到存储 | 是的，索引中支持 Blob 存储、Onelake、Azure Data Lake Storage (ADLS)。 | 是的，通过复制和挂载 Azure 存储帐户。 |
| 数据整理 | 否 | 是，在代码中。 | |
| 数据标记 | 否 | 是的，通过对象标识、实例分割、语义分割、文本命名实体识别 (NER)、与 3P 标记工具和服务的集成。 | |
| 特征存储 | 否 | 是 | |
| 数据世系和标签 | 否 | 是 | |
| Spark 工作负载 | 否 | 是 | |
| 数据业务流程工作负载 | 否 | 否，不过可以使用附加的 Spark 和 Azure 机器学习管道。 | |
| 模型开发和训练 | 数据科学家的代码优先工具。 | 是的，使用 VS Code。 | 是的，通过集成的 Notebooks、Jupyter、VS Code、R Studio。 |
| 语言 | 仅限 Python。 | Python（完整体验）、R、Scala、Java（有限体验）。 | |
| 跟踪、监视和评估试验 | 是的，但仅适用于提示流运行。 | 是的，适用于所有运行类型。 | |
| ML 管道创作工具 | 否 | 是的，通过设计器、视觉创作工具和 SDK/CLI/API。 | |
| AutoML | 否 | 是的，用于回归、分类、时序预测、计算机视觉和自然语言处理 (NLP)。 | |
| 训练的计算目标 | 无服务器仅适用于 MaaS 计算实例，无服务器运行时适用于提示流。 | Spark 群集、Azure 机器学习群集 (MPI) 和 Azure Arc 无服务器。 | |
| 训练和微调大型语言模型 (LLM) 和基础模型 | 仅限于模型目录。 | 是的，通过基于 MPI 的分布式训练和模型目录。 | |
| 评估和调试 Azure 机器学习模型，以实现公平性和可解释性。 | 否 | 是的，使用内置负责任的 AI 仪表板。 | |
| 生成式 AI/LLM | LLM 目录 | 是的，通过模型目录，来自 Azure OpenAI、Hugging Face 和 Meta 的 LLM。 | 是的，通过 Azure OpenAI、Hugging Face 和 Meta 中的模型目录 LLM。 |
| RAG（企业聊天） | 是 | 是的，通过提示流。 | |
| LLM 内容筛选 | 是的，通过 AI 内容安全。 | 是的，通过 AI 内容安全。 | |
| 提示流 | 是 | 是 | |
| 排行榜/基准 | 是 | 否 | |
| 提示示例 | 是 | 否 | |
| LLM 工作流/LLMOps/MLOps | 操场 | 是 | 否 |
| 试验和测试提示 | 是的，通过操场、模型卡和提示流。 | 是的，通过模型卡和提示流。 | |
| 开发工作流 | 是的，通过提示流，与 LangChain 和语义内核的集成。 | 是的，通过提示流，与 LangChain 和语义内核的集成。 | |
| 将工作流部署为终结点 | 是的，通过提示流。 | 是的，通过提示流。 | |
| 流版本控制 | 是的，通过提示流。 | 是的，通过提示流。 | |
| 内置评估 | 是的，通过提示流。 | 是的，通过提示流。 | |
| Git 集成 | 是 | 是 | |
| CI/CD | 是的，通过与 Azure DevOps 和 GitHub 集成的提示流中的代码优先体验。 | 是的，通过与 Azure DevOps 和 GitHub 集成的提示流中的代码优先体验。 | |
| 模型注册表 | 否 | 是的，通过 MIFlow 和注册表。 | |
| 组织模型注册表 | 否 | 是的，通过注册表。 | |
| 模型部署 | 实时服务的部署选项 | 模型即服务 (MaaP) 目录的 MaaS 联机终结点。 | 否 |
| 批处理服务的部署选项 | 否 | 批处理终结点、托管和非托管 Azure Arc 支持。 | |
| 企业安全性 | AI 中心 | 是的，管理和治理 AI 资产。 | 是的，适用于经典 Azure 机器学习和 LLM。 |
| 专用网络 | 是 | 是 | |
| 数据丢失防护 | 是 | 是 | |
| 数据分类 | 否 | 是的，通过 Purview。 |