Vergleich der Machine Learning-Produkte und Technologien von MicrosoftCompare the machine learning products and technologies from Microsoft

In diesem Artikel erfahren Sie mehr über die Machine Learning-Produkte und Technologien von Microsoft.Learn about the machine learning products and technologies from Microsoft. Vergleichen Sie die Optionen, um zu entscheiden, wie Sie Ihre Machine Learning-Lösungen optimal erstellen, bereitstellen und verwalten.Compare options to help you choose how to most effectively build, deploy, and manage your machine learning solutions.

Cloudbasierte Machine Learning-ProdukteCloud-based machine learning products

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 EinsatzmöglichkeitenWhat you can do with it
Azure Machine LearningAzure Machine Learning Verwaltete Plattform für maschinelles LernenManaged platform for machine learning Sie können ein vorab trainiertes Modell verwenden.Use a pretrained model. Alternativ können Sie Modelle in Azure mit Python und der CLI trainieren, bereitstellen und verwalten.Or, train, deploy, and manage models on Azure using Python and CLI
Azure Cognitive ServicesAzure Cognitive Services Vordefinierte KI-Funktionen, die über REST-APIs und SDK implementiert werdenPre-built AI capabilities implemented through REST APIs and SDKs Sie können schnell intelligente Anwendungen mithilfe der Standardprogrammiersprachen erstellen.Build intelligent applications quickly using standard programming languages. Hierzu sind keine Kenntnisse über Machine Learning und Data Science erforderlich.Doesn't require machine learning and data science expertise
Azure SQL Managed Instance Machine Learning ServicesAzure SQL Managed Instance Machine Learning Services Datenbankinternes maschinelles Lernen für SQLIn-database machine learning for SQL Trainieren und Bereitstellen von Modellen in Azure SQL Managed InstanceTrain and deploy models inside Azure SQL Managed Instance
Maschinelles Lernen in Azure Synapse AnalyticsMachine learning in Azure Synapse Analytics Analysedienst mit maschinellem LernenAnalytics service with machine learning Trainieren und Bereitstellen von Modellen in Azure SQL Managed InstanceTrain and deploy models inside Azure SQL Managed Instance
Maschinelles Lernen und KI mit ONNX in Azure SQL EdgeMachine learning and AI with ONNX in Azure SQL Edge Machine Learning in SQL Server auf IoTMachine learning in SQL on IoT Trainieren und Bereitstellen von Modellen in Azure SQL EdgeTrain and deploy models inside Azure SQL Edge
Azure DatabricksAzure Databricks Apache Spark-basierte AnalyseplattformApache Spark-based analytics platform Sie können Modelle und Datenworkflows mithilfe von Integrationen mit Open-Source-Machine Learning-Bibliotheken und der Plattform MLFlow erstellen und bereitstellen.Build and deploy models and data workflows using integrations with open-source machine learning libraries and the MLFlow platform.

Lokale Machine Learning-ProdukteOn-premises machine learning products

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 EinsatzmöglichkeitenWhat you can do with it
SQL Server Machine Learning ServicesSQL Server Machine Learning Services Datenbankinternes maschinelles Lernen für SQLIn-database machine learning for SQL Trainieren und Bereitstellen von Modellen in SQL ServerTrain and deploy models inside SQL Server
Machine Learning Services in SQL Server-Big Data-ClusternMachine Learning Services on SQL Server Big Data Clusters Machine Learning in Big Data-ClusternMachine learning in Big Data Clusters Trainieren und Bereitstellen von Modellen in SQL Server-Big Data-ClusternTrain and deploy models on SQL Server Big Data Clusters

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 EinsatzmöglichkeitenWhat 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
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.
Machine Learning-Erweiterung für Azure Data StudioMachine Learning extension for Azure Data Studio Plattformübergreifende Open-Source-Machine Learning-Erweiterung für Azure Data StudioOpen-source and cross-platform machine learning extension for Azure Data Studio Verwalten von Paketen, Importieren von Machine Learning-Modellen, Treffen von Vorhersagen und Erstellen von Notebooks, um Experimente für SQL-Datenbanken durchzuführenManage packages, import machine learning models, make predictions, and create notebooks to run experiments for your SQL databases

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 umfangreiche Tools zur Verfügung, z. B. Compute-Instanzen, Jupyter-Notebooks oder die Azure Machine Learning-Erweiterung für Visual Studio Code, eine kostenlose Erweiterung zum Verwalten Ihrer Ressourcen, Modelltrainingsworkflows und -bereitstellungen in Visual Studio Code.Rich tools are also available, such as Compute instances, Jupyter notebooks, or the Azure Machine Learning for Visual Studio Code extension, a free extension that allows you to manage your resources, model training workflows and deployments in Visual Studio Code. 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 das Python SDK, Jupyter-Notebooks, R und die CLI für maschinelles Lernen in der Cloud.Use Python SDK, Jupyter notebooks, R, and the CLI for machine learning at cloud scale. Für Optionen mit wenig oder gar keinem Code steht Ihnen im Studio der interaktive Designer von Azure Machine Learning zur Verfügung, den Sie zum schnellen und komfortablen Erstellen, Testen und Bereitstellen von Modellen mit vorgefertigten Machine Learning-Algorithmen verwenden können.For a low-code or no-code option, use Azure Machine Learning's interactive designer in the studio to easily and quickly build, test, and deploy models using pre-built machine learning algorithms.

Testen Sie Azure Machine Learning kostenlos.Try Azure Machine Learning for free.

TypType Cloudbasierte Lösung für maschinelles LernenCloud-based machine learning solution
Unterstützte SprachenSupported languages Python, RPython, R
Phasen beim maschinellen LernenMachine learning phases ModelltrainingModel training
BereitstellungDeployment
MLOps/VerwaltungMLOps/Management
HauptvorteileKey benefits Optionen für Code First (SDK) und Studio und Designer mit einer Drag & Drop-Webschnittstelle zum Schreiben.Code first (SDK) and studio & drag-and-drop designer web interface authoring options.

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 Cognitive ServicesAzure Cognitive Services

Bei Azure Cognitive Services handelt es sich um eine Gruppe von vordefinierten APIs, mit denen Sie Apps erstellen können, für die natürliche Kommunikationsmethoden genutzt werden.Azure Cognitive Services is a set of pre-built APIs that enable you to build apps that use natural methods of communication. „Vordefiniert“ bedeutet, dass Sie nicht über eine Kenntnisse in Datasets und Data Science verfügen müssen, um Modelle für die Verwendung in Ihren Anwendungen zu trainieren.The term pre-built suggests that you do not need to bring datasets or data science expertise to train models to use in your applications. Das ist bereits erfolgt und als APIs und SDKs gepackt, mit denen Ihre Apps mit nur wenigen Codezeilen sehen, hören, sprechen, verstehen und Benutzeranforderungen interpretieren können.That's all done for you and packaged as APIs and SDKs that allow your apps to see, hear, speak, understand, and interpret user needs with just a few lines of code. Sie können Ihren Apps auf einfache Weise intelligente Funktionen hinzufügen, beispielsweise:You can easily add intelligent features to your apps, such as:

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 Verschiedene Optionen je nach Dienst.Various options depending on the service. Standardoptionen sind C#, Java, JavaScript und Python.Standard ones are C#, Java, JavaScript, and Python.
Phasen beim maschinellen LernenMachine learning phases BereitstellungDeployment
HauptvorteileKey benefits Erstellen intelligenter Anwendungen mithilfe von vorab trainierten Modellen, die über REST-API und SDK verfügbar sind.Build intelligent applications using pre-trained models available through REST API and SDK.
Verschiedene Modelle für natürliche Kommunikationsmethoden mithilfe von Vision, Speech, Sprache und Entscheidung.Variety of models for natural communication methods with vision, speech, language, and decision.
Keine Kenntnisse in maschinellem Lernen oder Data Science erforderlich.No machine learning or data science expertise required.

Maschinelles Lernen mit SQLSQL machine learning

Maschinelles Lernen mit SQL fügt statistische Analyse, Datenvisualisierung und Predictive Analytics in Python und R für relationale Daten lokal und in der Cloud hinzu.SQL machine learning adds statistical analysis, data visualization, and predictive analytics in Python and R for relational data, both on-premises and in the cloud. Aktuelle Plattformen und Tools:Current platforms and tools include:

Verwenden Sie Maschinelles Lernen mit SQL, wenn Sie integrierte KI und Predictive Analytics von relationalen Daten in SQL benötigen.Use SQL machine learning when you need built-in AI and predictive analytics on relational data in SQL.

TypType Lokale Predictive Analytics für relationale DatenOn-premises predictive analytics for relational data
Unterstützte SprachenSupported languages Python, R, SQLPython, R, SQL
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-Datenbank als Datenschicht für die Anwendung voraus.Assumes a SQL database as the data tier for your application.

Azure Data Science Virtual MachineAzure Data Science Virtual Machine

Azure Data Science Virtual Machine ist eine benutzerdefinierte VM-Umgebung in der Microsoft Azure-Cloud.The Azure Data Science Virtual Machine is a customized virtual machine environment on the Microsoft Azure cloud. Von der Umgebung sind Versionen für Windows und Linux Ubuntu verfügbar.It is available in versions for both Windows and Linux Ubuntu. Die Umgebung ist speziell für Data Science und das Entwickeln von ML-Lösungen konzipiert.The environment is built specifically for doing data science and developing ML solutions. Sie umfasst viele vorinstallierte und vorkonfigurierte Data Science-Tools, ML-Frameworks und andere Tools, damit Sie sofort damit beginnen können, intelligente Anwendungen für die erweitere Analyse zu erstellen.It has many popular data science, ML frameworks, and other tools pre-installed and pre-configured to jump-start building intelligent applications for advanced analytics.

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 DatenaufbereitungData preparation
Vorabaufbereitung der DatenData preprocessing
ModelltrainingModel training
ModelloptimierungModel tuning
ModellrückschlussModel inference
VerwaltungManagement
BereitstellungDeployment

ML.NETML.NET

ML.NET ist ein plattformübergreifendes Open-Source-Machine Learning-Framework.ML.NET is an open-source, and cross-platform machine learning framework. Mit ML.NET können Sie benutzerdefinierte Machine Learning-Lösungen erstellen und mit Ihren .NET-Anwendungen integrieren.With ML.NET, you can build custom machine learning solutions and integrate them into your .NET applications. ML.NET bietet verschiedene Stufen an Interoperabilität mit beliebten Frameworks wie TensorFlow und ONNX zum Trainieren und Bewerten von Machine Learning- und Deep Learning-Modellen.ML.NET offers varying levels of interoperability with popular frameworks like TensorFlow and ONNX for training and scoring machine learning and deep learning models. Für ressourcenintensive Tasks wie das Trainieren von Bildklassifizierungsmodellen können Sie Azure nutzen, um Ihre Modelle in der Cloud zu trainieren.For resource-intensive tasks like training image classification models, you can take advantage of Azure to train your models in the cloud.

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. Wählen Sie zwischen der API für einen Code First-Ansatz und einem Model Builder oder der CLI für einen Ansatz mit nur wenig Code aus.Choose between the API for a code-first experience and Model Builder or the CLI for a low-code experience.

TypType Plattformübergreifendes Open-Source-Framework für die Entwicklung benutzerdefinierter Machine Learning-Anwendungen mit .NETOpen-source cross-platform framework for developing custom machine learning applications with .NET
Unterstützte SprachenLanguages supported C# und F#C#, F#
Phasen beim maschinellen LernenMachine learning phases DatenaufbereitungData preparation
TrainingTraining
BereitstellungDeployment
HauptvorteileKey benefits Es ist keine Erfahrung mit Data Science und Machine Learning erforderlich.Data science & ML experience not required
Sie können vertraute Tools (Visual Studio, Visual Studio Code) und Sprachen verwenden.Use familiar tools (Visual Studio, VS Code) and languages
Sie können die Bereitstellung dort durchführen, wo .NET ausgeführt wird.Deploy where .NET runs
Dieser Ansatz ist erweiterbar.Extensible
SkalierbarScalable
Lokale UmgebungLocal-first experience

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 Azure Cognitive Services im gewünschten Umfang bereit.Additionally, MMLSpark provides easy-to-use tools for orchestrating Azure 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, submillisecond 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
  • Informationen zum Entwickeln von KI- und Machine Learning-Lösungen mit Microsoft finden Sie unter Microsoft Learn.For training in developing AI and Machine Learning solutions with Microsoft, see Microsoft Learn