ИИ Studio или Машинное обучение Azure: какой опыт следует выбрать?
В этой статье показано, когда следует использовать Azure AI Studio и Машинное обучение Azure. Хотя в каждом интерфейсе есть некоторые перекрытия функций, в этой статье представлен обзор их возможностей и сценариев разработки, которые лучше всего подходят для каждой платформы.
Azure AI Studio
Azure AI Studio — это единая платформа для разработки и развертывания созданных приложений ИИ и API Azure. Он включает широкий набор возможностей искусственного интеллекта, упрощенного пользовательского интерфейса и интерфейса кода, предлагая единый магазин для создания, тестирования, развертывания и управления интеллектуальными решениями.
Подходит ли для вас ИИ Studio?
Azure AI Studio предназначена для эффективного создания и развертывания приложений искусственного интеллекта разработчиков и специалистов по обработке и анализу данных с помощью широких предложений ИИ Azure.
Ключевые возможности Azure AI Studio
- Создайте вместе как одну команду. Центр AI Studio обеспечивает безопасность корпоративного уровня и совместную среду с общими ресурсами и подключениями к предварительно обученным моделям, данным и вычислениям.
- Упорядочение работы. Проект AI Studio помогает сохранить состояние, позволяя выполнять итерацию от первой идеи до первого прототипа, а затем первого рабочего развертывания. Кроме того, легко пригласить других, чтобы сотрудничать вместе с этим путешествием.
- Используйте предпочитаемую платформу разработки и платформы, включая GitHub, Visual Studio Code, LangChain, семантический ядро, AutoGen и многое другое.
- Обнаружение и тестирование из более чем 1600 моделей.
- Подготовка моделей как услуга (MaaS) с помощью бессерверных API и размещения точной настройки.
- Включение нескольких моделей, источников данных и модальности.
- Сборка получения дополненного поколения (RAG) с помощью защищенных корпоративных данных без необходимости точной настройки.
- Оркестрация и управление потоками разработки и крупной языковой модели (LLM).
- Разработка и защита приложений и API с помощью настраиваемых фильтров и элементов управления.
- Оцените ответы модели со встроенными и пользовательскими потоками оценки.
- Развертывание инноваций ИИ в управляемой инфраструктуре Azure с непрерывным мониторингом и управлением в разных средах.
- Непрерывно отслеживайте развернутые приложения для обеспечения безопасности, качества и потребления маркеров в рабочей среде.
Студия машинного обучения Azure
Машинное обучение Azure Studio — это управляемая сквозная платформа машинного обучения для создания, точной настройки, развертывания и эксплуатации моделей Машинное обучение Azure, ответственной в масштабе.
Подходит ли Машинное обучение Azure Studio?
Машинное обучение Azure предназначен для инженеров машинного обучения и специалистов по обработке и анализу данных.
Ключевые возможности Машинное обучение Azure Studio
- Создание и обучение модели Машинное обучение Azure с любым типом вычислений, включая Spark и GPU для крупномасштабных рабочих нагрузок искусственного интеллекта в облаке.
- Запустите автоматизированную Машинное обучение Azure (AutoML) и пользовательский интерфейс перетаскивания для Машинное обучение Azure с низким кодом.
- Реализуйте сквозные Машинное обучение Azure Ops и повторяемые конвейеры Машинное обучение Azure.
- Использование ответственной панели мониторинга ИИ для обнаружения предвзятости и анализа ошибок.
- Оркестрация и управление потоками запросов и LLM.
- Развертывание моделей с помощью конечных точек REST API, реального времени и пакетного вывода.
Подробное сравнение функций
В следующей таблице сравниваются ключевые функции Azure AI Studio и Машинное обучение Azure Studio:
| Категория | Возможность | Azure AI Studio | Студия машинного обучения Azure |
|---|---|---|---|
| Хранилище данных | Решение хранилища | No | Да, с интеграцией облачной файловой системы, OneLake в интеграции Fabric и служба хранилища Azure учетными записями. |
| Подготовка данных | Интеграция данных с хранилищем | Да, с хранилищем BLOB-объектов, Onelake, Azure Data Lake Storage (ADLS), поддерживаемым в индексе. | Да, с помощью копирования и подключения с помощью учетных записей служба хранилища Azure. |
| Общие сведения о первичной обработке данных | No | Да, в коде. | |
| Маркировка данных | No | Да, с идентификацией объектов, сегментацией экземпляров, семантической сегментацией, распознаванием именованных сущностей текста (NER), интеграцией с средствами и службами меток 3P. | |
| Хранилище компонентов | No | Да | |
| Происхождение данных и метки | No | Да | |
| Рабочие нагрузки Spark | No | Да | |
| Рабочие нагрузки оркестрации данных | No | Нет, хотя подключенные конвейеры Spark и Машинное обучение Azure доступны. | |
| Разработка моделей и обучение | Средство создания кода для ученых по обработке и анализу данных. | Да, с VS Code. | Да, с интегрированными записными книжками, Jupyter, VS Code, R Studio. |
| Языки | Только Python. | Python (полный интерфейс), R, Scala, Java (ограниченный интерфейс). | |
| Отслеживание, мониторинг и оценка экспериментов | Да, но только для выполнения потока запроса. | Да, для всех типов выполнения. | |
| Средства разработки конвейера машинного обучения | No | Да, с помощью конструктора, средства разработки визуальных элементов и ПАКЕТА SDK/CLI/API. | |
| AutoML | No | Да, для регрессии, классификации, прогнозирования временных рядов, компьютерного зрения и обработки естественного языка (NLP). | |
| Целевые объекты вычислений для обучения | Бессерверный только для вычислительных экземпляров MaaS и бессерверной среды выполнения для потока запросов. | Кластеры Spark, Машинное обучение Azure кластеры (MPI) и бессерверные кластеры Azure Arc. | |
| Обучение и настройка моделей больших языковых моделей (LLM) и базовых моделей | Ограничено каталогом моделей. | Да, с распределенным обучением на основе MPI и каталогом моделей. | |
| Оценка и отладка моделей Машинное обучение Azure для справедливости и объяснимости. | No | Да, с информационной панелью "Ответственный ИИ" сборки. | |
| Создание ИИ/LLM | Каталог LLM | Да, с помощью каталога моделей llMs из Azure OpenAI, Hugging Face и Meta. | Да, с помощью каталога моделей LLMs из Azure OpenAI, Hugging Face и Meta. |
| RAG (корпоративный чат) | Да | Да, через поток запроса. | |
| Фильтрация содержимого LLM | Да, благодаря безопасности содержимого ИИ. | Да, благодаря безопасности содержимого ИИ. | |
| Поток запроса | Да | Да | |
| Список лидеров и тесты | Да | Нет | |
| Примеры запросов | Да | Нет | |
| Рабочий процесс LLM/LLMOps/MLOps | Тестовая площадка | Да | Нет |
| Запросы на эксперимент и тестирование | Да, через игровую площадку, карточку модели и поток запроса. | Да, через карточку модели и поток запроса. | |
| Разработка рабочего процесса | Да, с помощью потока запроса, интеграции с LangChain и семантического ядра. | Да, с помощью потока запроса, интеграции с LangChain и семантического ядра. | |
| Развертывание рабочего процесса в качестве конечной точки | Да, через поток запроса. | Да, через поток запроса. | |
| Управление версиями потока | Да, через поток запроса. | Да, через поток запроса. | |
| Встроенная оценка | Да, через поток запроса. | Да, через поток запроса. | |
| Интеграция с Git | Да | Да | |
| CI/CD | Да, с помощью интерфейса кода в потоке запросов, интегрированной с Azure DevOps и GitHub. | Да, с помощью интерфейса кода в потоке запросов, интегрированной с Azure DevOps и GitHub. | |
| Реестр моделей | No | Да, через MIFlow и реестры. | |
| Реестр моделей организации | No | Да, через реестры. | |
| Развертывание модели | Варианты развертывания для обслуживания в режиме реального времени | Модели как услуга (MaaS) в сети для каталога MaaP. | No |
| Варианты развертывания для пакетной службы | No | Конечная точка пакетной службы, поддержка управляемых и неуправляемых azure Arc. | |
| Корпоративная безопасность | Центр искусственного интеллекта | Да, управляйте ресурсами ИИ и управляйте ими. | Да, для классических Машинное обучение Azure и LLM. |
| Частная сеть | Да | Да | |
| Защита от потери данных | Да | Да | |
| Классификация данных | No | Да, через Purview. |