Microsoft продукты искусственного интеллекта и машинного обучения

Microsoft предлагает несколько платформ для искусственного интеллекта и машинного обучения. Каждая платформа предназначена для различных сочетаний аудитории, рабочей нагрузки, основы данных и модели развертывания. Эта статья поможет архитекторам решений, инженерам машинного обучения, специалистам по обработке и анализу данных и разработчикам приложений выбрать начальную платформу, понять, как отличаются платформы и как объединить их в реальных архитектурах. Покрытие включает классическое машинное обучение, встроенное в аналитику и создание рабочих нагрузок искусственного интеллекта в Azure, Microsoft Fabric и Microsoft Foundry. В этой статье рассматриваются Microsoft предоставляемые решения.

Используйте эту статью для сравнения параметров и разработки комплексного решения.

Сценарии основной рабочей нагрузки

Начните с функции искусственного интеллекта или машинного обучения, которую необходимо добавить в рабочую нагрузку. В следующей таблице приведены распространенные сценарии функций с рекомендуемой начальной платформой для пользовательских возможностей искусственного интеллекта и машинного обучения. Используйте его в качестве начальной ориентации перед просмотром возможностей платформы и просмотром дерева принятия решений.

Сравнение возможностей платформы

В следующей матрице приведены сведения о том, где каждая платформа является основной, где она предлагает дополнительную поддержку и где возможность не является фокусом. В матрице используются следующие значки:

• ✅ Основная возможность
• ⚠️ Поддерживаемые или дополнительные возможности
• ❌ Не фокус

Следующие заметки уточняют конкретные оценки в матрице:

• Средства Foundry оцениваются как дополнительные для создания ИИ и агентов, так как такие службы, как Поиск с использованием ИИ Azure, безопасность содержимого в плоскости управления Foundry и Azure Аналитика документов в средствах Foundry являются общими стандартными блоками для решений RAG и агентов. Основной платформой для разработки генерированных ИИ является Microsoft Foundry.

• Microsoft система управления Foundry поставляется в основном из плоскости управления Foundry, которая обеспечивает наблюдаемость, элементы управления средой выполнения, интеграцию безопасности и управление парком для агентов и приложений.

• Машинное обучение Azure поддерживает создание искусственного интеллекта с помощью доступа к модели Foundry, управляемым конечным точкам, возможностям оценки и тонкой настройке поддерживаемых базовых моделей. Это не основная платформа для разработки генерированных ИИ.

• Azure Databricks получает первичный рейтинг для управления, так как каталог Unity предоставляет унифицированные данные и управление моделями с помощью управления доступом на основе ролей (RBAC) и OpenSharing.

• Microsoft Fabric оценивается как дополнительное для управления, так как OneLake, Microsoft Purview интеграции, метки конфиденциальности и элементы управления на основе домена хорошо охватывают ресурсы данных. Microsoft Fabric включает встроенный реестр моделей на основе MLflow для хранения и отслеживания моделей. Microsoft Fabric также имеет встроенное представление происхождения для моделей машинного обучения и экспериментов, включая связи с lakehouses и элементами кода. Но Microsoft Fabric не содержит ответственной панели мониторинга ИИ. Для более широкого управления жизненным циклом модели Microsoft Fabric с Машинное обучение Azure.

• Microsoft Fabric оценивается как взаимодополняющее для вывода в режиме реального времени, так как аналитика Microsoft Fabric Real-Time охватывает потоковую аналитику и Microsoft Fabric конечные точки модели машинного обучения предоставляют управляемые конечные точки REST для прогнозирования в режиме реального времени. Конечные точки модели находятся в предварительной версии и поддерживают ограниченный набор вариантов модели. Для широкой рабочей службы можно также связать Microsoft Fabric с Машинное обучение Azure управляемыми сетевыми конечными точками или Microsoft Foundry.

• Foundry Local расширяет Microsoft Foundry на вывод на устройстве для пограничных и автономных сценариев.

• Azure Arc расширяет Машинное обучение Azure в локальные кластеры Kubernetes для гибридного обучения или оценки.

• Microsoft Fabric обработке и анализу данных включает в себя низкокодовый интерфейс AutoML. В Microsoft Fabric записных книжках доступен api AutoML (FLAML). Сведения о текущем состоянии см. в документации по Microsoft Fabric.

Узкий выбор платформы

Используйте следующее дерево принятия решений, чтобы сузить выбор начальной платформы. Дерево помогает выбрать основную платформу для рабочей нагрузки. Большинство производственных решений объединяют несколько платформ, поэтому используйте разделы, относящиеся к продукту, чтобы уточнить ваш выбор. Кроме того, рекомендуется использовать шаблон составной архитектуры. Дополнительные сведения см. в разделе "Объединение платформ".

Скачайте файл Visio этого дерева принятия решений.

Пошаговое руководство

Выполните следующие действия, чтобы пройти по дереву принятия решений. Когда вы достигнете выбранной платформы, пропустите оставшиеся шаги.

1. Определите сценарий функции.

   Выбор платформы на уровне компонентов в рабочей нагрузке. Каждая функция может иметь уникальные функциональные и нефункциональные требования, которые могут служить одной или нескольких технологий. При использовании этой блок-схемы учитывайте требования конкретного варианта использования, который требуется решить.

   • Если предварительно созданные функции ИИ, такие как визуальное распознавание, речь, язык, поиск, понимание документов или безопасность содержимого, соответствуют потребностям рабочей нагрузки, используйте средства Foundry. Многие службы в средстве Foundry поддерживают настройку, например настраиваемую классификацию текста в языке Azure или пользовательских моделях в Azure аналитике документов. Рассмотрите эти службы перед фиксацией полного пользовательского обучения или более широкого подхода, например использование языковой модели для имитации специализированной службы. Документацию по конкретным службам см. в следующих статьях:
     • Azure Vision в инструментах литейного производства
     • Речевые технологии Azure в инструментах Foundry
     • Язык Azure в инструментах Foundry
     • Поиск с использованием ИИ Azure
     • Интеллектуальный анализ документов Azure в средствах Foundry
     • Azure понимание содержимого в средствах Foundry
     • Безопасность содержимого в управляющей плоскости Foundry
   • Если для рабочей нагрузки требуется создать искусственный интеллект или пользовательские агенты ИИ для добавления недетерминированного поведения, перейдите к шагу 2.
   • Если эта функция требует пользовательских возможностей машинного обучения или глубокого обучения, таких как классическое машинное обучение, компьютерное зрение, прогнозирование или настройка собственных моделей, перейдите к шагу 3.
   • Если необходимо интегрировать машинное обучение в более широкий рабочий процесс данных и бизнес-аналитики, перейдите к шагу 4.

2. Для создания ИИ и агентов выберите платформу Microsoft, соответствующую профилю разработчика.

   • Доступ только к API прямой большой языковой модели (LLM): используйте Azure OpenAI в Microsoft Foundry.

   • Разработка агента для кода или нескольких агентов. Используйте пакет SDK для платформы агента Microsoft, связанный со службой агента Foundry для размещения и оркестрации.

   • Полная созданная платформа ИИ (Модели Foundry, тонкой настройки, оценки, безопасности, наблюдаемости и управления): используйте Microsoft Foundry.

3. Для пользовательского машинного обучения и глубокого обучения на основе вашего решения о том, где должно выполняться обучение и вывод.

   • В приложении или устройстве Windows: используйте Microsoft Foundry в Windows и Windows машинном обучении для вывода локальной модели с аппаратным ускорением. Используйте ML.NET, если приложению .NET требуется локальное классическое машинное обучение, AutoML или интеграция модели Open Neural Network Exchange (ONNX).

   • На шлюзе Интернета вещей или пограничном устройстве: используйте Azure IoT Edge, Foundry Local, Azure Local или Azure Stack Edge для определения локального или аппаратного ускорения.

   • В базе данных SQL: используйте интеллектуальные приложения SQL и ИИ для прогнозирования в базе данных, извлечения векторов и интеграции конечных точек ИИ. Используйте службы SQL Server Машинное обучение или службы Управляемый экземпляр SQL Azure Машинное обучение, если требуется выполнение Python или R в базе данных.

   • В локальном или многооблачном кластере Kubernetes: подключите кластер к Машинное обучение Azure через Azure Arc, чтобы данные оставались на месте при обучении и выводе, оркестрируются через Azure.

   • На основе Spark или распределенном вычислении: перейдите к шагу 5.

   • В облачных вычислениях с полным mlOps: используйте Машинное обучение Azure.

4. Для машинного обучения, встроенного в аналитику, выберите решение, соответствующее шаблону данных и бизнес-аналитики.

   • Unified SaaS with Power BI on OneLake: используйте рабочую нагрузку Microsoft Fabric для обработки и анализа данных.

   • Существующие инвестиции Azure Synapse Analytics: использование машинного обучения в Azure Synapse Analytics. Для новых инвестиций предпочитайте Microsoft Fabric.

   • Lakehouse масштабирования Spark и машинного обучения: используйте Azure Databricks.

5. Для вычислений на основе Spark или распределенных вычислений следует принять решение о том, используете ли вы lakehouse или управляемые кластеры Spark.

   • Lakehouse с управлением каталогом MLflow и Unity: используйте Azure Databricks. Вы по-прежнему можете публиковать модели с помощью Машинное обучение Azure управляемых конечных точек для обслуживания и управления.

   • Управляемые кластеры Spark в Azure с собственной интеграцией хранилища и безопасности: используйте Apache Spark в Azure HDInsight.

Машинное обучение Azure

Машинное обучение Azure — это полностью управляемая облачная служба для обучения, развертывания и управления моделями машинного обучения в большом масштабе. Он поддерживает десятки тысяч пакетов с открытым кодом Python, включая TensorFlow, PyTorch и scikit-learn. Он предоставляет средства для полного жизненного цикла машинного обучения, от подготовки данных до развертывания, MLOps и ответственного ИИ.

Используйте Машинное обучение Azure, если вам нужны следующие возможности:

• Настраиваемое обучение. Вы используете обучение пользовательских моделей для классических машинного обучения, глубокого обучения или точной настройки LLM с открытым кодом.

• Рабочий MLOps. Вы используете рабочий жизненный цикл MLOps, включающий отслеживание экспериментов, управление версиями моделей, управляемые реестры, конвейеры CI/CD и мониторинг рабочей среды.

• Управляемые конечные точки. Вы используете управляемые сетевые или пакетные конечные точки вывода, размещенные в среде, которая обеспечивает автомасштабирование, управляемое удостоверение и мониторинг.

• Гибридные вычисления. Вы используете гибридное обучение или вывод в кластерах Kubernetes с поддержкой Azure Arc.

В следующей таблице перечислены возможности платформы, которые Машинное обучение Azure предоставляются в течение жизненного цикла машинного обучения.

В следующей таблице приведены основные сведения о внедрении для Машинное обучение Azure.

Машинное обучение Azure не лучше всего подходит в следующих ситуациях:

• Необходимо использовать только предварительно обученные API для визуального распознавания, речи или языка. В этом случае используйте средства Foundry.

• Машинное обучение — это небольшое расширение рабочей нагрузки аналитики. В этом случае Microsoft Fabric или Azure Databricks может быть лучшей отправной точкой.

• Рабочая нагрузка — это комплексный иии (выбор модели, оркестрация агентов, оценка, развертывание и мониторинг). Кроме того, вам не требуется классическое обучение машинного обучения или Машинное обучение Azure актив, запуск и модель MLflow. В этом случае может быть достаточно Microsoft Foundry. Рабочая область Машинное обучение Azure требуется только в том случае, если требуется Машинное обучение Azure вычислений, жизненный цикл MLOps или управляемые сетевые или пакетные конечные точки для пользовательских моделей.

Microsoft Foundry

Microsoft Foundry — это единая платформа Azure для создания, оптимизации и управления созданными приложениями ИИ и агентами ИИ. Microsoft Foundry объединяет каталог моделей Foundry, службы агента и оркестрации, средства оценки и безопасности, а также уровень управления для управления средой выполнения. Для разработки агента на основе кода Microsoft Foundry объединяется с платформой агента Microsoft, унифицированным пакетом SDK Microsoft, заменяющим предыдущий раздел между Semantic Kernel и AutoGen.

Используйте Microsoft Foundry, если вам нужны следующие возможности:

• Генерируемый ИИ или агенты. Вы создаете созданные решения на основе искусственного интеллекта или агентов, такие как многомоделные чат-боты или управляемые рабочие процессы LLM.

• Обнаружение и оценка модели. Необходимо иметь возможность обнаруживать, сравнивать и оценивать базовые модели от нескольких поставщиков.

• Настройка модели и управление. Вы хотите точно настроить, оценить и развернуть базовые модели в управляемой среде, которая обеспечивает встроенную наблюдаемость, безопасность содержимого и элементы управления средой выполнения.

В следующей таблице приведены Microsoft возможности Foundry, поддерживающие создание приложений ИИ и разработку агентов.

Набор средств Foundry для Visual Studio Code

Набор средств Foundry для Visual Studio Code является основным интерфейсом разработчика для Microsoft Foundry. Используйте его, если требуется локальный рабочий процесс для создания приложений и агентов искусственного интеллекта. Набор средств поддерживает обнаружение моделей, выполнение локальной модели, разработку запросов и агентов, интеграцию инструментов, отладку, трассировку, оценку, настройку и развертывание для Microsoft Foundry из Visual Studio Code.

Начните с Набора средств Foundry, когда решение нуждается в коде, системе управления версиями, локальной итерации, проверке агента, интеграции средств MCP или тестировании моделей перед развертыванием. Используйте портал Foundry для проверки концепции, настройки проекта, проверки ресурсов, оценки и оперативной видимости после выполнения приложений и агентов.

Портал Foundry и Студия машинного обучения Azure

Портал Foundry и Студия машинного обучения Azure являются дополнительными веб-интерфейсами. Используйте их для создания прототипов, управления проектами и ресурсами, проверки оценки и оперативной видимости.

В следующей таблице приведены основные сведения о внедрении для Microsoft Foundry.

Microsoft Foundry не лучше всего подходит в следующих ситуациях:

• Вы используете предварительно созданные возможности искусственного интеллекта, такие как оптическое распознавание символов (OCR), транскрибирование речи к тексту, перевод или модерация содержимого через API, и вам не требуется выбор модели, оркестрация или агенты. В этом случае используйте средства Foundry.

• Для решения требуется обучение пользовательских моделей, классическое машинное обучение или глубокое обучение, а также полные возможности MLOps. В этом случае используйте Машинное обучение Azure. Microsoft Foundry не предлагает широкие подготовленные вычислительные ресурсы или AutoML для табличных данных.

• Для решения требуется проектирование данных в масштабе Spark. В этом случае используйте Azure Databricks или Microsoft Fabric.

Инструменты литейного производства

Средства Foundry, ранее Azure AI services и Cognitive Services, — это семейство предварительно обученных возможностей искусственного интеллекта, которые используются через ИНТЕРФЕЙСы REST API и пакеты SDK. Каждое средство предназначено для конкретной возможности, поэтому вы можете добавлять интеллектуальные функции в приложения без создания или обучения пользовательской модели. Сведения о выборе используемой службы см. в разделе "Выбор технологии служб искусственного интеллекта".

Используйте средства Foundry в следующих ситуациях:

• Предварительно обученный API охватывает сценарий, поэтому вам не нужно обучать настраиваемую модель.

• Требуется стандартная, управляемая api и интеграция на основе API с существующими приложениями.

В следующей таблице часто используются службы по области возможностей. Модели создания ИИ, агенты и оркестрация являются частью Microsoft Foundry и перечислены отдельно для справки.

Чтобы сравнить службы в области возможностей и выбрать один из них, ознакомьтесь со следующими подробными руководствами по выбору:

• Обработка изображений и видео
• Обработка целевого языка
• Распознавание речи и создание
• Векторный поиск
• Технология служб ИИ

В следующей таблице приведены основные сведения об внедрении средств Foundry.

Средства foundry не лучше всего подходят в следующей ситуации: для сценария требуются пользовательские архитектуры моделей или обучающие данные за пределами поддерживаемых параметров настройки. В этих случаях используйте Машинное обучение Azure для классических или глубокого обучения моделей или используйте Microsoft Foundry для точной настройки искусственного интеллекта.

Microsoft Fabric

Microsoft Fabric — это единая платформа аналитики на основе SaaS. Она интегрирует проектирование данных, обработку и анализ данных, хранение данных, аналитику в режиме реального времени и Power BI в общем фонде данных OneLake. Инженеры данных, специалисты по обработке и анализу данных и бизнес-аналитики, использующие Microsoft Fabric сотрудничать в одной управляемой среде.

Рабочая нагрузка по обработке и анализу данных Microsoft Fabric является частью, которая наиболее актуальна для машинного обучения. Он предоставляет записные книжки Spark, AutoML, встроенный интерфейс MLflow для отслеживания экспериментов и реестра моделей. Подробные сведения см. в разделе "Что такое обработка и анализ данных" в Microsoft Fabric?.

Используйте Microsoft Fabric, если вам нужны следующие возможности:

• Машинное обучение, интегрированное с аналитикой. Машинное обучение является частью более широкого рабочего процесса аналитики в решении, например создание модели на основе данных в lakehouse и обслуживание прогнозов для Power BI.

• Полностью управляемый SaaS. Требуется полностью управляемый интерфейс SaaS с минимальной инфраструктурой для управления.

• Общая основа данных. Ваша команда работает в области проектирования данных, обработки и анализа данных и бизнес-аналитики в одном фундаменте OneLake.

В следующей таблице приведены Microsoft Fabric возможности, наиболее важные для машинного обучения, интегрированного с аналитикой.

В следующей таблице приведены основные сведения о внедрении для Microsoft Fabric.

Microsoft Fabric не лучше всего подходит в следующей ситуации: вам требуется глубокое обучение в масштабе, комплексное MLOps с управляемыми реестрами или точное управление вычислительными ресурсами. В этих случаях дополняйте Microsoft Fabric Машинное обучение Azure или Azure Databricks. Microsoft Fabric хорошо охватывает встроенную аналитику машинного обучения, но это не замена выделенной платформы машинного обучения.

Azure Databricks

Azure Databricks — это единая, открытая платформа аналитики для создания, развертывания, совместного использования и обслуживания данных, аналитики и решений ИИ. Он объединяет возможности хранения данных и озера данных в архитектуре lakehouse и интегрируется с Azure хранилища и безопасности.

Используйте Azure Databricks, если вам нужны следующие возможности:

• Машинное обучение с помощью Spark. Необходимо запустить машинное обучение в очень больших наборах данных или распределенных кластерах Spark.

• Единый рабочий процесс Lakehouse. Вы объединяете проектирование данных, проектирование признаков, экспериментирование и разработку моделей в одном рабочем процессе Lakehouse.

• Рабочие операции машинного обучения. Вы хотите развертывать, управлять и отслеживать решения машинного обучения в рабочей среде с помощью управляемых конечных точек обслуживания, автоматизированных рабочих процессов и конвейеров MLOps.

• Управление каталогом Unity. Вы хотите управлять данными, функциями, моделями и функциями в каталоге Unity, которая обеспечивает централизованное управление доступом и происхождение.

• Генерируемый ИИ и агенты. Вы создаете рабочие нагрузки агента ИИ и искусственного интеллекта в Azure Databricks, включая сценарии пользовательской и базовой модели.

В следующей таблице перечислены важные Azure Databricks возможности:

В следующей таблице приведены основные сведения о внедрении для Azure Databricks.

Azure Databricks не лучше всего подходит в следующих ситуациях:

• Для вашей команды не требуется масштабируемая обработка Spark. В этом случае затраты на кластер могут быть не оправданы.

• В сценарии используется исключительно управляемый API ИИ. В этом случае средства Foundry или Microsoft Foundry предлагают более прямой путь.

• Вам потребуется Машинное обучение Azure элементы управления, возможности конечных точек или стандартизированный уровень конечной точки в командах. В этих случаях используйте Машинное обучение Azure управляемых конечных точек в гибридной структуре.

Интеллектуальные приложения SQL и машинное обучение

SQL в базе данных ИИ сохраняет реляционные данные, в которых он уже живет и добавляет прогноз, векторный извлечение и интеграцию конечных точек ИИ непосредственно в Transact-SQL (T-SQL).

Используйте SQL в базе данных ИИ в следующих ситуациях:

• Данные должны оставаться внутри реляционной базы данных для безопасности, конфиденциальности, задержки или нормативных причин.

• Вам требуется низкая задержка оценки близко к транзакциям, например проверки мошенничества или решения о следующем лучшем действии.

• Требуется векторный поиск и извлечение непосредственно в базе данных для шаблонов RAG и семантического сопоставления.

• Для оркестрации или вызываемых агентом рабочих процессов требуется вызов внешних конечных точек ИИ из T-SQL.

В следующей таблице перечислены текущие платформы и средства.

В следующей таблице приведены основные сведения о внедрении Azure SQL машинного обучения.

Объедините Azure SQL машинное обучение с другой платформой, если вы хотите использовать следующий подход:

• Обучение внешних данных, оценка в SQL. Для крупномасштабных или глубокого обучения используйте Машинное обучение Azure, Azure Databricks или Microsoft Fabric для обучения. Затем доведите артефакты вывода обратно в SQL для оценки в базе данных.

• Cloud-train, database-deploy, SQL-predict. Обучите внешний объект, экспортируйте артефакт оценки, поддерживаемый целевой платформой SQL, а затем используйте PREDICT для выполнения прогнозов в SQL, близком к транзакционных данных.

• Создайте внедрения в SQL, вызовите конечные точки для создания. Для сценариев RAG и агента создайте внедрение и извлечение векторов в SQL. Затем, если требуется создание ответов, используйте sp_invoke_external_rest_endpoint для вызова конечных точек внешней модели из SQL.

Пограничный, локальный и локальный машинное обучение

Для машинного обучения, работающего за пределами облака, на локальных устройствах, в автономных средах, внедренных в приложения или в локальной инфраструктуре, Microsoft предоставляет несколько вариантов.

Используйте пограничный, локальный и локальный машинное обучение, если вам потребуются следующие возможности:

• Локальное вывод. Чтобы соответствовать требованиям к задержке, автономной операции или конфиденциальности данных, вашему сценарию требуется вывод локально. Например, решения прогнозного обслуживания в средах с периодическим подключением требуют локального вывода.

• Возможность внедрения машинного обучения в приложения. Вы создаете классические или мобильные приложения, которые нуждаются в встроенных возможностях машинного обучения.

• Локальное выполнение. В сценарии требуется выполнение машинного обучения для пребывания в локальной среде, например локального SQL Server развертывания.

Microsoft предоставляет следующие параметры:

• Microsoft Foundry на Windows включает Windows МАШИНное обучение для локального вывода на устройствах Windows с аппаратным ускорением в ЦП, GPU и NP. Используйте Windows ML для новых рабочих нагрузок вывода приложений и устройств Windows.

• ML.NET — это кроссплатформенная платформа машинного обучения с открытым кодом для разработчиков .NET. Она поддерживает загрузку данных, обучение (включая AutoML для .NET) и локальное вывод. Используйте ML.NET, если приложению требуется обучение или вывод модели .NET, включая интеграцию модели ONNX.

• службы SQL Server Машинное обучение поддерживают обучение и оценку в локальной среде SQL Server, когда данные должны оставаться на локальном уровне данных.

• Foundry Local — это решение вывода искусственного интеллекта на устройстве, которое расширяет Microsoft Foundry до пограничных и автономных сценариев.

• Azure Local предоставляет Azure управляемой инфраструктурой для локальных виртуальных машин и контейнеров. Используйте его для размещения пограничных компонентов ИИ, близких к данным, таких как локальные рабочие нагрузки Foundry, компоненты извлечения RAG или модели ONNX, экспортированные из Машинное обучение Azure.

• Вычислительные ресурсы Kubernetes для Машинное обучение Azure присоединяют кластеры Kubernetes с поддержкой Azure Arc в рабочую область Машинное обучение Azure, чтобы локальные или многооблачные кластеры выполняли обучение и вывод, а оркестрация остается в Azure.

• Azure IoT Edge развертывает контейнерные модели машинного обучения на пограничных устройствах, чтобы вывод выполнялось локально.

• Azure Stack Edge предоставляет Microsoft управляемые пограничные устройства, которые можно использовать для аппаратного ускорения машинного обучения и виртуальных машин или контейнерных рабочих нагрузок. Устройства доступны только для проверенных рабочих нагрузок партнеров или развертываний по крайней мере 100 узлов.

Типичный шаблон обучает экспортируемую модель в облаке с помощью Машинное обучение Azure или Azure Databricks. Затем модель преобразуется в ONNX, когда модель и целевая среда выполнения поддерживают этот формат. Наконец, модель развертывается для вывода пограничных вычислений с помощью Windows машинного обучения, ML.NET, модуля Azure IoT Edge, Foundry Local или инфраструктуры Azure Local.

Объединение платформ

Производственные решения могут объединять несколько платформ. Блок-схема ранее в этой статье помогает выбрать основную начальную платформу. Используйте следующую таблицу для планирования составных архитектур и определения вспомогательных компонентов Microsoft, которые обычно требуются каждому сценарию.

Платформы и средства разработки

Большинство команд используют кросс-передовые средства разработки и вспомогательные службы вместе с платформой, выбранной в качестве основной. Эти средства влияют на то, где работа искусственного интеллекта и машинного обучения разрабатывается, тестируется и упаковается перед запуском. Вспомогательные службы влияют на размещение вывода или подключение вычислений к данным, которые не могут перемещаться на управляемую облачную платформу.

Этот раздел отделяет основные средства разработчика, которые являются повседневными платформами разработки и эксплуатации, от смежных вспомогательных служб, которые размещают самоуправляемое вывод, ускоряют машинное обучение на основе Spark или расширяют обучение и оценку в локальной инфраструктуре.

Следующие средства поддерживают разработку на облачных и локальных платформах.

Смежные вспомогательные службы помогают с экспериментированием, самостоятельным размещением вывода, машинным обучением Spark или гибридной операцией, но они не являются основными вариантами платформы в потоке принятия решений.

Соавторы

Корпорация Майкрософт поддерживает эту статью. Следующие авторы написали эту статью.

Основной автор:

• Махди Сетайеш | Главный инженер программного обеспечения

Чтобы увидеть непубличные профили в LinkedIn, войдите в LinkedIn.

Следующие шаги

• Что такое Машинное обучение Azure?
• Документация по Microsoft Foundry
• Что такое Microsoft Fabric?
• Что такое средства Foundry?
• Принцип работы машинного обучения Azure
• ИИ Microsoft
• Microsoft обучение инженеров ИИ и специалистов по обработке и анализу данных

Связанные ресурсы

• Выбор технологии служб ИИ
• Выберите службу Azure для векторного поиска
• Общие сведения о технологиях ИИ