Welche Machine Learning-Produkte bietet Microsoft?What are the machine learning products at Microsoft?

Machine Learning ist ein Data Science-Verfahren, mit dem Computer aus vorhandenen Daten lernen können, um zukünftiges Verhalten, Ergebnisse und Trends vorherzusagen.Machine learning is a data science technique that allows computers to use existing data to forecast future behaviors, outcomes, and trends. Durch den Einsatz von maschinellem Lernen können Computer lernen, ohne konkret programmiert worden zu sein.By using machine learning, computers learn without being explicitly programmed.

Machine Learning-Lösungen sind iterativ aufgebaut und umfassen verschiedene Phasen:Machine learning solutions are built iteratively, and have distinct phases:

  • Aufbereiten der DatenPreparing data
  • Experimentieren mit und Trainieren von ModellenExperimenting and training models
  • Bereitstellen trainierter ModelleDeploying trained models
  • Verwalten bereitgestellter ModelleManaging deployed models

Microsoft bietet eine Reihe von Produkten zum Aufbereiten, Erstellen, Bereitstellen und Verwalten Ihrer Modelle für maschinelles Lernen.Microsoft provides a variety of product options to prep, build, deploy, and manage your machine learning models. Vergleichen Sie diese Produkte, und wählen Sie aus, was Sie benötigen, um Ihre Lösungen für maschinelles Lernen so effektiv wie möglich zu entwickeln.Compare these products and choose what you need to develop your machine learning solutions most effectively.

Cloudbasierte OptionenCloud-based options

In der Azure-Cloud stehen die folgenden Optionen für maschinelles Lernen zur Verfügung.The following options are available for machine learning in the Azure cloud.

Cloudoptionen Cloud options FunktionsbeschreibungWhat it is Gebotene MöglichkeitenWhat you can do with it
Azure Machine LearningAzure Machine Learning Verwalteter Clouddienst für maschinelles LernenManaged cloud service for machine learning Trainieren, Bereitstellen und Verwalten von Modellen in Azure mithilfe von Python und CLITrain, deploy, and manage models in Azure using Python and CLI
Azure Machine Learning Studio (klassisch)Azure Machine Learning Studio (classic) Visuelle Drag–&–Drop-Oberfläche für maschinelles LernenDrag–and–drop visual interface for machine learning Erstellen von, Experimentieren mit und Bereitstellen von Modellen mithilfe von vorkonfigurierten AlgorithmenBuild, experiment, and deploy models using preconfigured algorithms

Wenn Sie vorgefertigte KI- und Machine Learning-Modelle verwenden möchten, können Sie mit Azure Cognitive Services Ihren Anwendungen ganz einfach intelligente Features hinzufügen.If you want to use pre-built AI and machine learning models, Azure Cognitive Services allows you to easily add intelligent features to your applications.

Lokale OptionenOn-premises options

In der lokalen Umgebung stehen für maschinelles Lernen die folgenden Optionen zur Verfügung.The following options are available for machine learning on-premises. Lokale Server können auch auf einem virtuellen Computer in der Cloud ausgeführt werden.On-premises servers can also run in a virtual machine in the cloud.

Lokale OptionenOn-premises options FunktionsbeschreibungWhat it is Gebotene MöglichkeitenWhat you can do with it
SQL Server Machine Learning ServicesSQL Server Machine Learning Services In SQL eingebettete Analyse-EngineAnalytics engine embedded in SQL Erstellen und Bereitstellen von Modellen innerhalb von SQL ServerBuild and deploy models inside SQL Server
Microsoft Machine Learning ServerMicrosoft Machine Learning Server Eigenständiger Enterprise-Server für prädiktive AnalyseStandalone enterprise server for predictive analysis Erstellen und Bereitstellen von Modellen für vorverarbeitete DatenBuild and deploy models on pre-processed data

Entwicklungsplattformen und-toolsDevelopment platforms and tools

Für maschinelles Lernen stehen die folgenden Entwicklungsplattformen und -tools zur Verfügung.The following development platforms and tools are available for machine learning.

Plattformen und ToolsPlatforms/tools FunktionsbeschreibungWhat it is Gebotene MöglichkeitenWhat you can do with it
Azure Data Science Virtual MachineAzure Data Science Virtual Machine Virtueller Computer mit vorinstallierten Data Science-ToolsVirtual machine with pre-installed data science tools Entwickeln von Lösungen für maschinelles Lernen in einer vorkonfigurierten UmgebungDevelop machine learning solutions in a pre-configured environment
Azure DatabricksAzure Databricks Spark-basierte AnalyseplattformSpark-based analytics platform Erstellen und Bereitstellen von Modellen und DatenworkflowsBuild and deploy models and data workflows
ML.NETML.NET Plattformübergreifendes Machine Learning SDK auf Open-Source-BasisOpen-source, cross-platform machine learning SDK Entwickeln von Lösungen für maschinelles Lernen für .NET-AnwendungenDevelop machine learning solutions for .NET applications
Windows MLWindows ML Machine Learning-Plattform unter Windows 10Windows 10 machine learning platform Auswerten von trainierten Modellen auf einem Windows 10-GerätEvaluate trained models on a Windows 10 device
MMLSparkMMLSpark Verteiltes Open-Source-Framework für maschinelles Lernen und Microservices für Apache SparkOpen-source, distributed, machine learning and microservices framework for Apache Spark Hiermit können Sie skalierbare Machine Learning-Anwendungen für Scala und Python erstellen und bereitstellen.Create and deploy scalable machine learning applications for Scala and Python.

Azure Machine LearningAzure Machine Learning

Azure Machine Learning ist ein vollständig verwalteter Clouddienst, der zum bedarfsgesteuerten Trainieren, Bereitstellen und Verwalten von Machine Learning-Modellen verwendet wird.Azure Machine Learning is a fully managed cloud service used to train, deploy, and manage machine learning models at scale. Er unterstützt ohne Einschränkungen alle Open Source-Technologien. Sie können dadurch Zehntausende von verschiedenen Open Source-Paketen für Python wie TensorFlow, PyTorch und scikit-learn verwenden.It fully supports open-source technologies, so you can use tens of thousands of open-source Python packages such as TensorFlow, PyTorch, and scikit-learn. Außerdem stehen umfassende Tools zur Verfügung, wie etwa Azure-Notebooks, Jupyter-Notebooks oder die Erweiterung Azure Machine Learning für Visual Studio Code, die das Untersuchen und Transformieren von Daten und das anschließende Trainieren und Bereitstellen von Modellen einfach machen.Rich tools are also available, such as Azure notebooks, Jupyter notebooks, or the Azure Machine Learning for Visual Studio Code extension to make it easy to explore and transform data, and then train and deploy models. Azure Machine Learning umfasst Features zum Automatisieren der Modellgenerierung und zum einfachen, effizienten und präzisen Optimieren.Azure Machine Learning includes features that automate model generation and tuning with ease, efficiency, and accuracy.

Verwenden Sie Azure Machine Learning, um Machine Learning-Modelle mithilfe von Python und der CLI in der Cloud zu trainieren, bereitzustellen und zu verwalten.Use Azure Machine Learning to train, deploy, and manage machine learning models using Python and CLI at cloud scale. Für Optionen mit wenig oder gar keinem Code steht Ihnen eine interaktive visuelle Schnittstelle (Vorschauversion) zur Verfügung, den Sie zum schnellen und komfortablen Erstellen, Testen und Bereitstellen vorkonfigurierter Algorithmen für maschinelles Lernen verwenden können.For a low-code or no-code option, use the interactive, visual interface (preview) to easily and quickly build, test, and deploy models using pre-built machine learning algorithms.

Probieren Sie die kostenlose oder kostenpflichtige Version von Azure Machine Learning aus.Try the free or paid version of Azure Machine Learning.

TypType Cloudbasierte Lösung für maschinelles LernenCloud-based machine learning solution
Unterstützte SprachenSupported languages PythonPython
Phasen beim maschinellen LernenMachine learning phases DatenaufbereitungData preparation
ModelltrainingModel training
BereitstellungDeployment
VerwaltungManagement
HauptvorteileKey benefits Zentrale Verwaltung von Skripts und Ausführungsverlauf zur Vereinfachung des Vergleichs von ModellversionenCentral management of scripts and run history, making it easy to compare model versions.

Komfortable Bereitstellung und Verwaltung von Modellen in der Cloud oder auf EdgegerätenEasy deployment and management of models to the cloud or edge devices.
ÜberlegungenConsiderations Erfordert eine gewisse Erfahrung mit dem Modellverwaltungsmodell.Requires some familiarity with the model management model.

Azure ML Studio (klassisch)Azure ML Studio (Classic)

Mit Studio (klassisch) steht Ihnen ein interaktiver visueller Arbeitsbereich zur Verfügung, den Sie zum schnellen und komfortablen Erstellen, Testen und Bereitstellen vorkonfigurierter Algorithmen für maschinelles Lernen verwenden können.Studio (classic) gives you an interactive, visual workspace that you can use to easily and quickly build, test, and deploy models using pre-built machine learning algorithms. Bei Studio (klassisch) werden Modelle als Webdienste veröffentlicht, die von benutzerdefinierten Apps oder BI-Tools wie Excel problemlos genutzt werden können.Studio (classic) publishes models as web services that can easily be consumed by custom apps or BI tools such as Excel. Es ist keine Programmierung erforderlich – Sie konstruieren ihr Modell für maschinelles Lernen durch Verbinden von Datasets und Analysemodulen auf einer interaktiven Zeichnungsfläche und stellen es anschließend mit ein paar Klicks bereit.No programming is required - you construct your machine learning model by connecting datasets and analysis modules on an interactive canvas, and then deploy it with a couple clicks.

TypType Cloudbasierte Drag & Drop-Lösung für maschinelles LernenCloud-based, drag-and-drop machine learning solution
Unterstützte SprachenSupported languages Python, RPython, R
Phasen beim maschinellen LernenMachine learning phases DatenaufbereitungData preparation
ModelltrainingModel training
BereitstellungDeployment
VerwaltungManagement
HauptvorteileKey benefits Interaktive visuelle Oberfläche für Machine Learning-Modelle mit minimalem ProgrammieraufwandInteractive visual interface enables machine learning modeling with minimal code.

Integrierte Jupyter Notebooks für DatenuntersuchungenBuilt-in Jupyter Notebooks for data exploration.

Direkte Bereitstellung trainierter Modelle als Azure-WebdiensteDirect deployment of trained models as Azure web services.
ÜberlegungenConsiderations Begrenzte Skalierbarkeit:Limited scalability. Die maximale Größe eines Trainingsdatasets beträgt 10 GB.The maximum size of a training dataset is 10 GB.

Nur online verfügbar:Online only. Es steht keine Offlineentwicklungsumgebung zur Verfügung.No offline development environment.

Azure Cognitive ServicesAzure Cognitive Services

Bei Azure Cognitive Services handelt es sich um eine Gruppe von APIs, mit denen Sie Apps erstellen können, für die natürliche Kommunikationsmethoden genutzt werden.Azure Cognitive Services is a set of APIs that enable you to build apps that use natural methods of communication. Mit diesen APIs können Ihre Apps mit nur wenigen Codezeilen sehen, hören, sprechen, verstehen und Benutzeranforderungen interpretieren.These APIs allow your apps to see, hear, speak, understand, and interpret user needs with just a few lines of code. Fügen Sie Ihren Apps auf einfache Weise intelligente Features hinzu, z.B.:Easily add intelligent features to your apps, such as:

  • Emotions- und StimmungserkennungEmotion and sentiment detection
  • Maschinelles Sehen und SpracherkennungVision and speech recognition
  • Sprachverständnis (LUIS)Language understanding (LUIS)
  • Wissen und SucheKnowledge and search

Verwenden Sie Cognitive Services, um Apps übergreifend für Geräte und Plattformen zu entwickeln.Use Cognitive Services to develop apps across devices and platforms. Die APIs werden ständig verbessert und lassen sich einfach einrichten.The APIs keep improving, and are easy to set up.

TypType APIs für die Entwicklung intelligenter AnwendungenAPIs for building intelligent applications
Unterstützte SprachenSupported languages je nach Dienst viele Optionenmany options depending on the service
Phasen beim maschinellen LernenMachine learning phases BereitstellungDeployment
HauptvorteileKey benefits Integrieren von Machine Learning-Funktionen in Anwendungen mithilfe vorab trainierter Modelle.Incorporating machine learning capabilities in applications using pre-trained models.

Verschiedene Modelle für natürliche Kommunikationsmethoden mithilfe der Dienste für maschinelles Sehen und Spracherkennung.Variety of models for natural communication methods with vision and speech.

SQL Server Machine Learning ServicesSQL Server Machine Learning Services

SQL Server Microsoft Machine Learning Service fügt SQL Server-Datenbanken statistische Analyse, Datenvisualisierung und prädiktive Analyse für relationale Daten in R und Python hinzu.SQL Server Microsoft Machine Learning Service adds statistical analysis, data visualization, and predictive analytics in R and Python for relational data in SQL Server databases. R- und Python-Bibliotheken von Microsoft enthalten fortgeschrittene Modellierungs- und Machine Learning-Algorithmen, die parallel und nach Maß in SQL Server ausgeführt werden können.R and Python libraries from Microsoft include advanced modeling and machine learning algorithms, which can run in parallel and at scale, in SQL Server.

Verwenden Sie SQL Server Machine Learning Services, wenn Sie integrierte KI und prädiktive Analyse von relationalen Daten in SQL Server benötigen.Use SQL Server Machine Learning Services when you need built-in AI and predictive analytics on relational data in SQL Server.

TypType Lokale Predictive Analytics für relationale DatenOn-premises predictive analytics for relational data
Unterstützte SprachenSupported languages Python, RPython, R
Phasen beim maschinellen LernenMachine learning phases DatenaufbereitungData preparation
ModelltrainingModel training
BereitstellungDeployment
HauptvorteileKey benefits Einfache Einbeziehung in datenschichtinterne Logik durch Kapselung von Prognoselogik in einer DatenbankfunktionEncapsulate predictive logic in a database function, making it easy to include in data-tier logic.
ÜberlegungenConsiderations Setzt eine SQL Server-Datenbank als Datenschicht für Ihre Anwendung voraus.Assumes a SQL Server database as the data tier for your application.

Microsoft Machine Learning ServerMicrosoft Machine Learning Server

Microsoft Machine Learning Server ist ein Unternehmensserver zum Hosten und Verwalten von parallelen und verteilten Workloads für R- und Python-Prozesse.Microsoft Machine Learning Server is an enterprise server for hosting and managing parallel and distributed workloads of R and Python processes. Microsoft Machine Learning Server kann unter Linux, Windows, Hadoop und Apache Spark sowie in HDInsight als Microsoft Machine Learning Server (ML Server) ausgeführt werden.Microsoft Machine Learning Server runs on Linux, Windows, Hadoop, and Apache Spark, and it is also available on HDInsight as Microsoft Machine Learning Server (ML Server). Es stellt ein Ausführungsmodul für Lösungen bereit, die mit RevoScaleR, revoscalepy und MicrosoftML-Paketen erstellt wurden, und erweitert Open-Source-R und -Python um Unterstützung für Hochleistungsanalyse, statistische Analyse, maschinelles Lernen und Datasets von erheblicher Größe.It provides an execution engine for solutions built using RevoScaleR, revoscalepy, and MicrosoftML packages, and extends open-source R and Python with support for high-performance analytics, statistical analysis, machine learning, and massively large datasets. Diese Funktionalität wird anhand von eigenen Paketen bereitgestellt, die mit dem Server installiert werden.This functionality is provided through proprietary packages that install with the server. Für die Entwicklung können Sie IDEs wie beispielsweise R Tools für Visual Studio und Python Tools für Visual Studio verwenden.For development, you can use IDEs such as R Tools for Visual Studio and Python Tools for Visual Studio.

Verwenden Sie Microsoft Machine Learning Server, wenn Sie mit R und Python erstellte Modelle auf einem Server erstellen und betriebsbereit machen müssen, oder verteilen Sie R- und Python-Training in großem Maßstab auf einem Hadoop- oder Spark-Cluster.Use Microsoft Machine Learning Server when you need to build and operationalize models built with R and Python on a server, or distribute R and Python training at scale on a Hadoop or Spark cluster.

TypType Eigenständiger Enterprise-Server für Predictive AnalyticsOn-premises enterprise server for predictive analytics
Unterstützte SprachenSupported languages Python, RPython, R
Phasen beim maschinellen LernenMachine learning phases ModelltrainingModel training
BereitstellungDeployment
HauptvorteileKey benefits Hohe SkalierbarkeitHigh scalability.
ÜberlegungenConsiderations Machine Learning Server muss in Ihrem Unternehmen bereitgestellt und verwaltet werden.You need to deploy and manage Machine Learning Server in your enterprise.

Azure Data Science Virtual MachineAzure Data Science Virtual Machine

Azure Data Science Virtual Machine ist eine benutzerdefinierte VM-Umgebung in der Microsoft Azure-Cloud, die speziell für Data Science konfiguriert wurde.The Azure Data Science Virtual Machine is a customized virtual machine environment on the Microsoft Azure cloud built specifically for doing data science. Es hat viele beliebte Data Science und andere Tools vorinstalliert und vorkonfiguriert, damit Sie sofort intelligente Anwendungen für die erweiterte Analyse erstellen können.It has many popular data science and other tools pre-installed and pre-configured to jump-start building intelligent applications for advanced analytics.

Die Data Science Virtual Machine wird als Ziel für Azure Machine Learning unterstützt.The Data Science Virtual Machine is supported as a target for Azure Machine Learning. Von der Umgebung sind Versionen für Windows und Linux Ubuntu verfügbar.It is available in versions for both Windows and Linux Ubuntu. Spezifische Versionsinformationen und eine Liste mit dem Lieferumfang finden Sie unter Einführung in Azure Data Science Virtual Machine.For specific version information and a list of what's included, see Introduction to the Azure Data Science Virtual Machine.

Verwenden Sie die Data Science-VM, wenn Sie Ihre Aufträge auf einem einzelnen Knoten ausführen oder hosten müssen.Use the Data Science VM when you need to run or host your jobs on a single node. Eine anderer Grund für die Nutzung kann das Hochskalieren eines einzelnen Computers per Remotezugriff sein.Or if you need to remotely scale up your processing on a single machine.

TypType Angepasste VM-Umgebung für Data ScienceCustomized virtual machine environment for data science
HauptvorteileKey benefits Geringerer Installations-, Verwaltungs- und Problembehandlungsaufwand für Data Science-Tools und -Frameworks.Reduced time to install, manage, and troubleshoot data science tools and frameworks.

Verfügbarkeit der neuesten Versionen aller gängigen Tools und FrameworksThe latest versions of all commonly used tools and frameworks are included.

VM-Optionen mit hochgradig skalierbaren Images und GPU-Funktionen für intensive DatenmodellierungVirtual machine options include highly scalable images with GPU capabilities for intensive data modeling.
ÜberlegungenConsiderations Der virtuelle Computer steht offline nicht zur Verfügung.The virtual machine cannot be accessed when offline.

Bei der Ausführung eines virtuellen Computers fallen Azure-Gebühren an. Achten Sie daher darauf, dass er nur bei Bedarf ausgeführt wird.Running a virtual machine incurs Azure charges, so you must be careful to have it running only when required.

Azure DatabricksAzure Databricks

Azure Databricks ist eine Apache Spark-basierte Analyseplattform, die für die Microsoft Azure-Clouddienstplattform optimiert ist.Azure Databricks is an Apache Spark-based analytics platform optimized for the Microsoft Azure cloud services platform. Databricks ist in Azure integriert, um Folgendes zu ermöglichen: Einrichtung mit nur einem Klick, optimierte Workflows und einen interaktiven Arbeitsbereich für die Zusammenarbeit von Datenspezialisten, Data Engineers und Business Analysts.Databricks is integrated with Azure to provide one-click setup, streamlined workflows, and an interactive workspace that enables collaboration between data scientists, data engineers, and business analysts. Verwenden Sie Python-, R-, Scala- und SQL-Code in webbasierten Notebooks zum Abfragen, Visualisieren und Modellieren von Daten.Use Python, R, Scala, and SQL code in web-based notebooks to query, visualize, and model data.

Verwenden Sie Databricks, wenn Sie gemeinsam an der Erstellung von Lösungen für maschinelles Lernen auf Apache Spark arbeiten möchten.Use Databricks when you want to collaborate on building machine learning solutions on Apache Spark.

TypType Apache Spark-basierte AnalyseplattformApache Spark-based analytics platform
Unterstützte SprachenSupported languages Python, R, Scala, SQLPython, R, Scala, SQL
Phasen beim maschinellen LernenMachine learning phases DatenabfrageData query
ModelltrainingModel training

ML.NETML.NET

ML.NET ist ein kostenloses, plattformübergreifendes Open-Source-Framework für maschinelles Lernen, das es Ihnen ermöglicht, benutzerdefinierte Lösungen für maschinelles Lernen zu erstellen und sie in Ihre .NET-Anwendungen zu integrieren.ML.NET is a free, open-source, and cross-platform machine learning framework that enables you to build custom machine learning solutions and integrate them into your .NET applications.

Verwenden Sie ML.NET, wenn Sie Lösungen für maschinelles Lernen in Ihre .NET-Anwendungen integrieren möchten.Use ML.NET when you want to integrate machine learning solutions into your .NET applications.

TypType Open-Source-Framework für die Entwicklung benutzerdefinierter Machine Learning-AnwendungenOpen-source framework for developing custom machine learning applications
Unterstützte SprachenLanguages supported .NET.NET

Windows MLWindows ML

Mit der Windows ML-Engine für Rückschlüsse können Sie trainierte Modelle für maschinelles Lernen in Ihren Anwendungen verwenden, wobei trainierte Modelle lokal auf Windows 10-Geräten ausgewertet werden.Windows ML inference engine allows you to use trained machine learning models in your applications, evaluating trained models locally on Windows 10 devices.

Verwenden Sie Windows ML, wenn Sie trainierte Modelle für maschinelles Lernen innerhalb Ihrer Windows-Anwendungen einsetzen möchten.Use Windows ML when you want to use trained machine learning models within your Windows applications.

TypType Rückschluss-Engine für trainierte Modelle auf Windows-GerätenInference engine for trained models in Windows devices
Unterstützte SprachenLanguages supported C#/C++, JavaScriptC#/C++, JavaScript

MMLSparkMMLSpark

Microsoft Machine Learning für Apache Spark (MMLSpark) ist eine Open Source-Bibliothek, die das verteilte Computing-Framework Apache Spark erweitert.Microsoft ML for Apache Spark (MMLSpark) is an open source library that expands the distributed computing framework Apache Spark. MMLSpark erweitert das Spark-Ökosystem um eine Vielzahl von Deep Learning- und Data Science-Tools, u. a. um die nahtlose Integration von Spark Machine Learning-Pipelines mit Microsoft Cognitive Toolkit (CNTK), LightGBM, LIME (Interpretierbarkeit von Modellen) und OpenCV.MMLSpark adds many deep learning and data science tools to the Spark ecosystem, including seamless integration of Spark Machine Learning pipelines with Microsoft Cognitive Toolkit (CNTK), LightGBM, LIME (Model Interpretability), and OpenCV. Mit diesen Tools können Sie leistungsfähige Prognosemodelle für Spark-Cluster erstellen, z. B. Azure Databricks oder Cosmic Spark.You can use these tools to create powerful predictive models on any Spark cluster, such as Azure Databricks or Cosmic Spark.

Darüber hinaus bietet MMLSpark neue Netzwerkfunktionen für das Spark-Ökosystem.MMLSpark also brings new networking capabilities to the Spark ecosystem. Mit dem HTTP-on-Spark-Projekt können Benutzer beliebige Webdienste in ihre SparkML-Modelle einbetten.With the HTTP on Spark project, users can embed any web service into their SparkML models. Außerdem stellt MMLSpark benutzerfreundliche Tools für das Orchestrieren von Microsoft Cognitive Services im gewünschten Umfang bereit.Additionally, MMLSpark provides easy-to-use tools for orchestrating Microsoft Cognitive Services at scale. Für die Bereitstellung in Produktionsumgebungen ermöglicht das Spark Serving-Projekt das Betreiben von Webdienste mit hohem Durchsatz und einer Latenz im Bereich unter Millisekunden, unterstützt durch Ihren Spark-Cluster.For production-grade deployment, the Spark Serving project enables high throughput, sub-millisecond latency web services, backed by your Spark cluster.

TypType Verteiltes Open-Source-Framework für maschinelles Lernen und Microservices für Apache SparkOpen-source, distributed machine learning and microservices framework for Apache Spark
Unterstützte SprachenLanguages supported Scala 2.11, Java, Python 3.5+, R (Beta)Scala 2.11, Java, Python 3.5+, R (beta)
Phasen beim maschinellen LernenMachine learning phases DatenaufbereitungData preparation
ModelltrainingModel training
BereitstellungDeployment
HauptvorteileKey benefits SkalierbarkeitScalability
Kompatibel mit Streaming und BereitstellungStreaming + Serving compatible
FehlertoleranzFault-tolerance
ÜberlegungenConsiderations Erfordert Apache SparkRequires Apache Spark

Nächste SchritteNext steps

  • Informationen zu allen Entwicklungsprodukten für Künstliche Intelligenz (KI), die von Microsoft erhältlich sind, finden Sie unter Microsoft-KI-PlattformTo learn about all the Artificial Intelligence (AI) development products available from Microsoft, see Microsoft AI platform
  • Schulungen zum Entwickeln von KI-Lösungen finden Sie unter Microsoft AI SchoolFor training in how to develop AI solutions, see Microsoft AI School