Comparer les produits et les technologies de Machine Learning Microsoft
Découvrez les produits et technologies de Machine Learning de Microsoft. Comparez les options pour déterminer la manière la plus efficace de créer, déployer et gérer vos solutions de Machine Learning.
Produits de Machine Learning basés sur le cloud
Les options suivantes sont disponibles pour le machine learning dans le cloud Azure.
| Options cloud | Présentation | Fonctionnalités |
|---|---|---|
| Azure Machine Learning | Plateforme gérée pour le Machine Learning | Utiliser un modèle préentraîné ou entraîner, déployer et gérer des modèles dans Azure à l’aide de Python et de l’interface CLI |
| Azure Cognitive Services | Fonctionnalités IA prédéfinies implémentées via les API REST et les kits de développement logiciel (SDK). | Créer rapidement des applications intelligentes à l’aide de langages de programmation standard. Ne nécessite aucune expertise en matière de science des données ou de Machine Learning |
| Azure SQL Managed Instance Machine Learning Services | Machine Learning dans la base de données pour SQL | Former et déployer des modèles dans Azure SQL Managed Instance |
| Machine Learning dans Azure Synapse Analytics | Service d’analyse avec Machine Learning | Former et déployer des modèles dans Azure Synapse Analytics |
| Machine Learning et IA avec ONNX dans Azure SQL Edge | Machine Learning dans SQL sur IoT | Former et déployer des modèles dans Azure SQL Edge |
| Azure Databricks | Plateforme d’analytique basée sur Apache Spark | Créer et déployer des modèles et des workflows de données à l’aide d’intégrations à des bibliothèques de Machine Learning open source et de la plateforme MLflow. |
Produits de Machine Learning local
Les options suivantes sont disponibles pour le machine learning local. Les serveurs locaux peuvent également être exécutés sur une machine virtuelle dans le cloud.
| Options locales | Présentation | Fonctionnalités |
|---|---|---|
| Services de Machine Learning SQL Server | Machine Learning dans la base de données pour SQL | Former et déployer des modèles dans SQL Server |
| Machine Learning Services sur Clusters Big Data SQL Server | Machine Learning dans des clusters Big Data | Former et déployer des modèles dans Clusters Big Data SQL Server |
Plateformes et outils de développement
Les plateformes et outils de développement suivants sont disponibles pour le Machine Learning.
| Plateformes/outils | Présentation | Fonctionnalités |
|---|---|---|
| Azure Data Science Virtual Machine | Machine virtuelle avec des outils de science des données préinstallés | Développer des solutions de Machine Learning dans un environnement préconfiguré |
| ML.NET | Kit de développement logiciel (SDK) Machine Learning multiplateforme open source | Développer des solutions de Machine Learning pour des applications .NET |
| Windows Machine Learning | Plateforme de Machine Learning Windows 10 | Évaluer des modèles entraînés sur un appareil Windows 10 |
| SynapseML | Infrastructure de Machine Learning et de microservices open source et distribuée pour Apache Spark | Créez et déployez des applications de Machine Learning évolutives pour Scala et Python. |
| Extension Machine Learning pour Azure Data Studio | Extension Machine Learning open source et multiplateforme pour Azure Data Studio | Gérez des packages, importez des modèles Machine Learning, effectuez des prédictions et créez des notebooks pour exécuter des expériences pour vos bases de données SQL. |
Azure Machine Learning
Azure Machine Learning est un service cloud complètement managé qui permet d'effectuer l'apprentissage, de déployer et de gérer des modèles Machine Learning à grande échelle. Il prend entièrement en charge les technologies open source. Vous pouvez donc utiliser des dizaines de milliers de packages Python open source tels que TensorFlow, PyTorch et scikit-learn. Des outils riches sont également disponibles, tels que des instances de calcul, des blocs-notes Jupyter ou l’extension Azure Machine Learning pour Visual Studio Code, une extension gratuite qui vous permet de gérer vos ressources, ainsi que de modéliser des flux de travail d’apprentissage et des déploiements dans Visual Studio Code. Azure Machine Learning comprend des fonctionnalités qui automatisent la génération de modèles et qui vous permettent de les optimiser de manière simple, efficace et précise.
Utilisez le kit de développement logiciel (SDK) Python, des blocs-notes Jupyter, R et l’interface de commande pour l’apprentissage automatique à l’échelle du cloud. Pour une option low-code ou no-code, utilisez le concepteur interactif d’Azure Machine Learning dans Studio afin de générer, de tester et de déployer facilement et rapidement des modèles à l’aide d’algorithmes d’apprentissage automatique prédéfinis.
Essayer Azure Machine Learning gratuitement.
| Élément | Description |
|---|---|
| Type | Solution de Machine Learning basée sur le cloud |
| Langues prises en charge | Python, R |
| Phases de Machine Learning | Apprentissage du modèle Déploiement MLOps/Gestion |
| Principaux avantages | Code First (SDK) et Studio et options de création d’interface web de concepteur par glisser-déposer. Gestion centralisée des scripts et historique d’exécution, ce qui facilite la comparaison des versions du modèle. Déploiement et gestion simples des modèles sur le cloud ou sur des appareils de périphérie. |
| Considérations | Nécessite des connaissances relatives au modèle de Gestion des modèles. |
Azure AI services
Azure AI Services regroupe un ensemble d’API prédéfinies permettant de créer des applications qui utilisent des méthodes de communication naturelles. Le terme prédéfini suggère que vous n’êtes pas tenu de dispose d’une expertise en matière de jeux de données ou de science des données pour former les modèles à utiliser dans vos applications. Tout est fait pour vous faciliter la tâche et empaqueté sous forme d’API ou de kits de développement logiciel (SDK) qui permettent à vos applications de voir, d’entendre, de parler, de comprendre et d’interpréter les besoins des utilisateurs en seulement quelques lignes de code. Vous pouvez facilement ajouter des fonctionnalités intelligentes à vos applications, par exemple :
- Vision : détection d’objets, reconnaissance faciale, reconnaissance optique de caractères (OCR), etc. Pour plus d’informations, consultez Vision par ordinateur, Visage, Azure AI Intelligence documentaire.
- Voix : reconnaissance vocale, synthèse vocale, reconnaissance de l’orateur, etc. Pour plus d’informations, consultez Service Speech.
- Langue : traduction, analyse des sentiments, extraction de phrases clés, compréhension du langage, etc. Consultez Traducteur, Analyse de texte, Language Understanding, QnA Maker
- Décision : détection d’anomalies, modération du contenu, apprentissage par renforcement. Pour plus d’informations, consultez Détecteur d'anomalies, Content Moderator, Personalizer.
Utilisez Azure AI Services pour développer des applications sur divers appareils et plateformes. Les API ne cessent de s’améliorer et sont faciles à configurer.
| Élément | Description |
|---|---|
| Type | API permettant de créer des applications intelligentes |
| Langues prises en charge | Diverses options en fonction du service Les langages standard sont C#, Java, JavaScript et Python. |
| Phases de Machine Learning | Déploiement |
| Principaux avantages | Créez des applications intelligentes à l’aide de modèles préformés disponibles via l’API REST et le kit de développement logiciel (SDK). Diversité de modèles pour les méthodes de communication naturelles avec vision, voix, langage et décision. Aucune expertise en matière de science des données ou de Machine Learning requise. |
Machine Learning SQL
Machine Learning SQL ajoute l’analyse statistique, la visualisation des données et l’analytique prédictive dans Python et R pour les données relationnelles locales et dans le cloud. Plateformes et outils de développement actuels :
- Services de Machine Learning SQL Server
- Machine Learning Services sur Clusters Big Data SQL Server
- Azure SQL Managed Instance Machine Learning Services
- Machine Learning dans Azure Synapse Analytics
- Machine Learning et IA avec ONNX dans Azure SQL Edge
- Extension Machine Learning pour Azure Data Studio
Utilisez Machine Learning SQL lorsque vous souhaitez bénéficier d’une IA intégrée et d’une analytique prédictive des données relationnelles dans SQL.
| Élément | Description |
|---|---|
| Type | Analyses prédictives locales pour les données relationnelles |
| Langues prises en charge | Python, R, SQL |
| Phases de Machine Learning | Préparation des données Apprentissage du modèle Déploiement |
| Principaux avantages | Encapsuler la logique prédictive dans une fonction de base de données, ce qui permet d’inclure facilement dans une logique de couche de données. |
| Considérations | Considère une base de données SQL en tant que couche de données pour votre application. |
Machine virtuelle DSVM (Data Science Virtual Machine) Azure
Azure Data Science Virtual Machine est un environnement de machine virtuelle personnalisé sur le cloud Microsoft Azure. Des versions pour Windows et Linux Ubuntu sont disponibles. L’environnement est conçu spécifiquement pour la pratique de la science des données et le développement de solutions de Machine Learning. Il inclut de nombreux outils de science des données populaires, des infrastructures de Machine Learning et d’autres outils préinstallés et préconfigurés afin d’accélérer la création d’applications intelligentes à des fins d’analyse avancée.
Utilisez la machine virtuelle DSVM quand vous devez exécuter ou héberger vos tâches sur un même nœud, ou si vous devez monter en puissance à distance le traitement sur un seul ordinateur.
| Élément | Description |
|---|---|
| Type | Environnement de machine virtuelle personnalisé pour la science des données |
| Principaux avantages | Réduction du temps d’installation, de gestion et de résolution des problèmes liés aux outils et aux frameworks de science des données. Les dernières versions de tous les outils et frameworks couramment utilisés sont incluses. Les options de machine virtuelle incluent des images hautement évolutives avec des capacités de processeur graphique (GPU) pour la modélisation intensive des données. |
| Considérations | La machine virtuelle n’est pas accessible en mode hors connexion. L’exécution d’une machine virtuelle entraîne des frais Azure, donc vous devez veiller à l’exécuter uniquement si nécessaire. |
Azure Databricks
Azure Databricks est une plateforme d’analytique basée sur Apache Spark et optimisée pour la plateforme cloud Microsoft Azure. Databricks est intégré à Azure pour offrir une configuration en un clic, des workflows simplifiés et un espace de travail interactif permettant aux scientifiques des données, aux ingénieurs des données et aux analystes métier de collaborer. Utilisez du code Python, R, Scala et SQL dans des notebooks basés sur le web pour interroger, visualiser et modéliser des données.
Utilisez Databricks quand vous souhaitez travailler à plusieurs sur la conception de solutions de machine learning sur Apache Spark.
| Élément | Description |
|---|---|
| Type | Plateforme d’analytique basée sur Apache Spark |
| Langues prises en charge | Python, R, Scala, SQL |
| Phases de Machine Learning | Préparation des données Prétraitement des données Apprentissage du modèle Réglage du modèle Inférence de modèle Gestion Déploiement |
ML.NET
ML.NET est une infrastructure de Machine Learning open source et multiplateforme. Avec ML.NET, vous pouvez créer des solutions de Machine Learning personnalisées et les intégrer à vos applications .NET. ML.NET offre différents niveaux d’interopérabilité avec des infrastructures populaires telles que TensorFlow et ONNX pour la formation et le scoring d’apprentissage automatique, et des modèles d’apprentissage profond. Pour les tâches gourmandes en ressources telles que des modèles de classification d’images d’apprentissage, vous pouvez tirer parti d’Azure pour effectuer l’apprentissage de vos modèles dans le cloud.
Utilisez ML.NET quand vous avez besoin d’intégrer des solutions de machine learning à vos applications .NET. Choisissez entre l’API pour une expérience orientée code et Model Builder ou CLI pour une expérience avec peu de code.
| Élément | Description |
|---|---|
| Type | Infrastructure multiplateforme open source pour le développement d’applications d’apprentissage automatique personnalisées avec .NET |
| Langues prises en charge | C#, F# |
| Phases de Machine Learning | Préparation des données Entrainement Déploiement |
| Principaux avantages | Aucune expérience en science des données et en Machine Learning n’est requise. Utiliser des outils (Visual Studio, Microsoft Visual Studio Code) et des langages familiers Déployer où .NET s’exécute Extensible Évolutif Expérience locale |
Windows Machine Learning
Le moteur d'inférence Windows Machine Learning vous permet d'utiliser des modèles Machine Learning formés dans vos applications. Les modèles formés sont évalués localement sur des appareils Windows 10.
Utilisez Windows Machine Learning quand vous avez besoin d’utiliser des modèles Machine Learning entraînés dans vos applications Windows.
| Élément | Description |
|---|---|
| Type | Moteur d'inférence pour modèles formés sur appareils Windows |
| Langues prises en charge | C#/C++, JavaScript |
SynapseML
SynapseML (auparavant appelé MMLSpark) est une bibliothèque open source qui simplifie la création de pipelines Machine Learning (ML) massivement évolutifs. SynapseML fournit des API pour un large éventail de tâches d’apprentissage automatique différentes comme l’analyse de texte, la vision, la détection d’anomalie, et bien d’autres. SynapseML se base sur le cadre de traitement distribué Apache Spark et partage la même API que la bibliothèque SparkML/MLLib, ce qui vous permet d’incorporer sans discontinuité des modèles SynapseML dans des flux de travail Apache Spark existants.
SynapseML ajoute de nombreux outils d’apprentissage approfondi et de science des données à l'écosystème Spark, notamment l'intégration transparente des pipelines d’Apprentissage automatiqueS avec Light Gradient Boosting Machine(LightGBM), LIME (Modèle d’interprétabilité) et OpenCV. Vous pouvez utiliser ces outils pour créer de puissants modèles prédictifs sur n'importe quel cluster Spark, comme Azure Databricks ou Cosmic Spark.
SynapseML apporte également des capacités de mise en réseau à l'écosystème Spark. Avec le projet HTTP sur Spark, les utilisateurs peuvent intégrer n'importe quel service web à leurs modèles SparkML. En outre, SynapseML fournit des outils faciles à utiliser pour orchestrer Azure AI Services à grande échelle. Pour un déploiement de niveau production, le projet Spark Serving offre des services web à haut débit et à latence inférieure à la milliseconde, soutenus par votre cluster Spark.
| Élément | Description |
|---|---|
| Type | Infrastructure de Machine Learning et de microservices open source et distribuée pour Apache Spark |
| Langues prises en charge | Scala 2.11, Java, Python 3.5+, R (bêta) |
| Phases de Machine Learning | Préparation des données Apprentissage du modèle Déploiement |
| Principaux avantages | Extensibilité Compatible streaming + service Tolérance de panne |
| Considérations | Apache Spark requis |
Contributeurs
Cet article est géré par Microsoft. Il a été écrit à l’origine par les contributeurs suivants.
Auteur principal :
- Zoiner Tejada | président directeur général (PDG) et architecte
Étapes suivantes
- Pour découvrir l’ensemble des produits de développement Microsoft axés sur l’intelligence artificielle, consultez Plateforme Microsoft AI.
- Pour une formation au développement de solutions d'IA et d'apprentissage automatique avec Microsoft, voir la formation Microsoft Learn.
Ressources associées
Commentaires
Bientôt disponible : Tout au long de 2024, nous allons supprimer progressivement GitHub Issues comme mécanisme de commentaires pour le contenu et le remplacer par un nouveau système de commentaires. Pour plus d’informations, consultez https://aka.ms/ContentUserFeedback.
Envoyer et afficher des commentaires pour