A Microsoft gépi tanulási termékeinek és technológiáinak összehasonlítása
Ismerje meg a Microsoft gépi tanulási termékeit és technológiáit. Hasonlítsa össze a gépi tanulási megoldások létrehozásának, üzembe helyezésének és kezelésének leghatékonyabb módját segítő beállításokat.
Felhőalapú gépi tanulási termékek
A gépi tanuláshoz az alábbi lehetőségek érhetők el az Azure-felhőben.
Felhőbeállítások | Leírás | Használati lehetőséget |
---|---|---|
Azure Machine Learning | Felügyelt platform gépi tanuláshoz | Használjon előre betanított modellt. Vagy modellek betanítása, üzembe helyezése és kezelése az Azure-ban a Python és a PARANCSSOR használatával |
Azure Cognitive Services | REST API-k és SDK-k használatával implementált előre elkészített AI-képességek | Intelligens alkalmazások gyors létrehozása standard programozási nyelvek használatával. Nem igényel gépi tanulást és adatelemzési szakértelmet |
Azure SQL Managed Instance Machine Tanulás Services | Adatbázison belüli gépi tanulás SQL-hez | Modellek betanítása és üzembe helyezése felügyelt Azure SQL-példányon belül |
Gépi tanulás az Azure Synapse Analyticsben | Elemzési szolgáltatás gépi tanulással | Modellek betanítása és üzembe helyezése az Azure Synapse Analyticsben |
Gépi tanulás és AI onnx használatával az Azure SQL Edge-ben | Gépi tanulás az SQL-ben az IoT-en | Modellek betanítása és üzembe helyezése az Azure SQL Edge-ben |
Azure Databricks | Apache Spark-alapú elemzési platform | Modellek és adat-munkafolyamatok létrehozása és üzembe helyezése nyílt forráskódú gépi tanulási kódtárakkal és az MLflow platformmal való integrációval. |
Helyszíni gépi tanulási termékek
A helyszíni gépi tanuláshoz az alábbi lehetőségek érhetők el. A helyszíni kiszolgálók a felhőben lévő virtuális gépeken is futtathatók.
Helyszíni beállítások | Leírás | Használati lehetőséget |
---|---|---|
SQL Server Machine Learning-szolgáltatások | Adatbázison belüli gépi tanulás SQL-hez | Modellek betanítása és üzembe helyezése az SQL Serveren belül |
Machine Tanulás Services az SQL Server big data-fürtök | Gépi tanulás a big data-fürtök | Modellek betanítása és üzembe helyezése az SQL Server big data-fürtök |
Fejlesztési platformok és eszközök
A gépi tanuláshoz az alábbi fejlesztői platformok és eszközök érhetők el.
Platformok/eszközök | Leírás | Használati lehetőséget |
---|---|---|
Azure Data Science Virtual Machine | Virtuális gép előre telepített adatelemzési eszközökkel | Gépi tanulási megoldások fejlesztése előre konfigurált környezetben |
ML.NET | Nyílt forráskódú, platformfüggetlen gépi tanulási SDK | Gépi tanulási megoldások fejlesztése .NET-alkalmazásokhoz |
Windows rendszerű gépi tanulás | Windows 10 gépi tanulási platform | Betanított modellek értékelése Windows 10-es eszközökön |
SynapseML | Nyílt forráskódú, elosztott, gépi tanulási és mikroszolgáltatási keretrendszer az Apache Sparkhoz | Méretezhető gépi tanulási alkalmazások létrehozása és üzembe helyezése a Scalához és a Pythonhoz. |
Machine Tanulás bővítmény az Azure Data Studióhoz | Nyílt forráskódú és platformfüggetlen gépi tanulási bővítmény az Azure Data Studióhoz | Csomagok kezelése, gépi tanulási modellek importálása, előrejelzések készítése és jegyzetfüzetek létrehozása az SQL-adatbázisok kísérleteinek futtatásához |
Azure Machine Learning
Az Azure Machine Tanulás egy teljes körűen felügyelt felhőszolgáltatás, amellyel nagy léptékű gépi tanulási modelleket taníthat be, helyezhet üzembe és kezelhet. Teljes körűen támogatja a nyílt forráskódú technológiákat, így több tízezer nyílt forráskódú Python-csomaggal, többek között TensorFlow-val, PyTorch-csal és scikit-learnnel is használható. Gazdag eszközök is elérhetők, például számítási példányok, Jupyter-notebookok vagy a Visual Studio Code-hoz készült Azure Machine Tanulás bővítmény, amely lehetővé teszi az erőforrások kezelését, a modellbetanítási munkafolyamatokat és az üzembe helyezéseket a Visual Studio Code-ban. Az Azure Machine Tanulás olyan funkciókat tartalmaz, amelyek egyszerű, hatékony és pontos modellgenerálást és finomhangolást automatizálnak.
A Python SDK, a Jupyter notebookok, az R és a parancssori felület használata felhőalapú gépi tanuláshoz. Alacsony kódszámú vagy kód nélküli beállításhoz használja az Azure Machine Tanulás interaktív tervezőjét a stúdióban, hogy egyszerűen és gyorsan készítsen, teszteljen és telepítsen modelleket előre elkészített gépi tanulási algoritmusokkal.
Ingyenesen kipróbálhatja az Azure Machine Tanulás.
Elem | Leírás |
---|---|
Típus | Felhőalapú gépi tanulási megoldás |
Támogatott nyelvek | Python, R |
Gépi tanulási fázisok | A modell betanítása Telepítés MLOps/Felügyelet |
Fő előnyök | Kód első (SDK) és studio és drag-and-drop tervező webes felület szerzői lehetőségek. A szkriptek és a futtatási előzmények központi kezelése, amely megkönnyíti a modellverziók összehasonlítását. Modellek egyszerű üzembe helyezése és felügyelete a felhőbeli vagy peremeszközökön. |
Megfontolások | A modellkezelési modell ismerete szükséges. |
Azure AI services
Az Azure AI-szolgáltatások olyan előre elkészített API-k, amelyek lehetővé teszik természetes kommunikációs módszereket használó alkalmazások létrehozását. Az előre összeállított kifejezés azt sugallja, hogy nem kell adathalmazokat vagy adatelemzési szakértelmet használnia ahhoz, hogy modelleket tanítson be az alkalmazásokban való használatra. Mindezt ön helyett, api-kként és SDK-kként csomagolva, amelyek lehetővé teszik az alkalmazások számára, hogy csak néhány sornyi kóddal lássák, hallják, beszéljenek, megértsék és értelmezzék a felhasználói igényeket. Egyszerűen hozzáadhat intelligens funkciókat az alkalmazásokhoz, például:
- Látás: Objektumészlelés, arcfelismerés, optikai karakterfelismerés (OCR) stb. További információ: Computer Vision, Face, Azure AI Document Intelligence.
- Beszéd: Beszéd szöveggé, szövegfelolvasás, Beszélőfelismerés stb. További információ: Speech service.
- Nyelv: Fordítás, hangulatelemzés, kulcskifejezések kinyerése, nyelvfelismerés stb. Lásd: Translator, Text Analytics, Language Understanding, QnA Maker
- Döntés: Anomáliadetektálás, con sátormód ration, megerősítés tanulás. További információ: anomáliadetektor, Content Moderator, Personalizer.
Az Azure AI-szolgáltatások használatával alkalmazásokat fejleszthet eszközök és platformok között. Az API-k egyre fejlettebbek lesznek, és könnyű őket beállítani.
Elem | Leírás |
---|---|
Típus | API-k intelligens alkalmazások létrehozásához |
Támogatott nyelvek | A szolgáltatástól függően különböző lehetőségek. A standardok a C#, a Java, a JavaScript és a Python. |
Gépi tanulási fázisok | Telepítés |
Fő előnyök | Intelligens alkalmazások létrehozása a REST API-val és az SDK-val elérhető előre betanított modellek használatával. A természetes kommunikációs módszerek különböző modelljei látással, beszéddel, nyelvvel és döntéssel. Nincs szükség gépi tanulásra vagy adatelemzési szakértelemre. |
SQL machine learning
Az SQL Machine Learning statisztikai elemzést, adatvizualizációt és prediktív elemzést biztosít a Pythonban és az R-ben a helyszíni és a felhőbeli relációs adatokhoz. A jelenlegi platformok és eszközök a következők:
- SQL Server Machine Learning-szolgáltatások
- Machine Tanulás Services az SQL Server big data-fürtök
- Azure SQL Managed Instance Machine Tanulás Services
- Gépi tanulás az Azure Synapse Analyticsben
- Gépi tanulás és AI onnx használatával az Azure SQL Edge-ben
- Machine Tanulás bővítmény az Azure Data Studióhoz
Az SQL gépi tanulást akkor használja, ha beépített AI-re és prediktív elemzésre van szüksége az SQL relációs adataival kapcsolatban.
Elem | Leírás |
---|---|
Típus | Helyszíni prediktív elemzés relációs adatokhoz |
Támogatott nyelvek | Python, R, SQL |
Gépi tanulási fázisok | Adatok előkészítése A modell betanítása Telepítés |
Fő előnyök | Foglalja bele a prediktív logikát egy adatbázisfüggvénybe, így könnyen belefoglalható az adatréteg-logikába. |
Megfontolások | Feltételezi, hogy egy SQL-adatbázis az alkalmazás adatszintje. |
Azure Data Science Virtual Machine
Az Azure Adattudomány virtuális gép egy testre szabott virtuálisgép-környezet a Microsoft Azure-felhőben. Windows és Linux Ubuntu verziókban is elérhető. A környezet kifejezetten adatelemzési és gépi tanulási megoldások fejlesztésére készült. Számos népszerű adatelemzési, gépi tanulási keretrendszerrel és más, előre telepített és előre konfigurált eszközzel rendelkezik, amelyek segítségével intelligens alkalmazásokat hozhat létre a fejlett elemzésekhez.
Akkor érdemes az Adatelemzési virtuális gépet használnia, ha egyetlen csomóponton kell futtatnia a feladatait. Illetve ha távolról kell virtuálisan felskáláznia a feldolgozást egyetlen gépen.
Elem | Leírás |
---|---|
Típus | Testreszabott virtuálisgép-környezet adatelemzéshez |
Fő előnyök | Kevesebb idő az adatelemzési eszközök és keretrendszerek telepítésére, kezelésére és hibaelhárítására. A rendszer az összes gyakran használt eszköz és keretrendszer legújabb verzióit tartalmazza. A virtuálisgép-beállítások közé tartoznak a nagy mértékben méretezhető képek, amelyek grafikus feldolgozási egység (GPU) képességeivel rendelkeznek az intenzív adatmodellezéshez. |
Megfontolások | A virtuális gép offline állapotban nem érhető el. A virtuális gépek futtatása Azure-díjakat von maga után, ezért óvatosnak kell lennie, hogy csak akkor futtassa, ha szükséges. |
Azure Databricks
Az Azure Databricks egy Apache Spark-alapú elemzési platform, amely a Microsoft Azure felhőplatformhoz van optimalizálva. A Databricks integrálva van az Azure-ral, így egyetlen kattintással beállítható, zökkenőmentes munkafolyamatokat tesz lehetővé, valamint olyan interaktív munkaterületet biztosít, amellyel lehetővé válik az adatszakértők, az adatmérnökök és az üzleti elemzők közötti együttműködés. Python-, R-, Scala- és SQL-kód használatával adatokat kérdezhet le, vizualizálhat és modellezhet webes jegyzetfüzetekben.
Akkor érdemes a Databrickset használnia, ha az Apache Sparkon másokkal együttműködve szeretne gépi tanuláson alapuló megoldásokat létrehozni.
Elem | Leírás |
---|---|
Típus | Apache Spark-alapú elemzési platform |
Támogatott nyelvek | Python, R, Scala, SQL |
Gépi tanulási fázisok | Adatok előkészítése Adatok előfeldolgozása A modell betanítása Modell finomhangolása Modellkövetkeztetés Menedzsment Telepítés |
ML.NET
ML.NET egy nyílt forráskódú és platformfüggetlen gépi tanulási keretrendszer. A ML.NET segítségével egyéni gépi tanulási megoldásokat hozhat létre, és integrálhatja őket a .NET-alkalmazásokba. ML.NET különböző szintű együttműködési lehetőségeket kínál olyan népszerű keretrendszerekkel, mint a TensorFlow és az ONNX a gépi tanulás és a mélytanulási modellek betanításához és pontozásához. Az erőforrás-igényes feladatok, például a képosztályozási modellek betanítása esetén az Azure-t használhatja a modellek felhőbeli betanításához.
Akkor érdemes az ML.NET-et használnia, ha gépi tanuláson alapuló megoldásokat szeretne integrálni a .NET-alkalmazásaiba. Válasszon a kódelső felület API-ja és a Model Builder vagy a parancssori felület között az alacsony kódszámú élmény érdekében.
Elem | Leírás |
---|---|
Típus | Nyílt forráskódú platformfüggetlen keretrendszer egyéni gépi tanulási alkalmazások .NET-tel történő fejlesztéséhez |
Támogatott nyelvek | C#, F# |
Gépi tanulási fázisok | Adatok előkészítése Oktatás Telepítés |
Fő előnyök | Adatelemzési és gépi tanulási tapasztalat nem szükséges Ismerős eszközök (Visual Studio, Microsoft Visual Studio Code) és nyelvek használata A .NET-futtató helyek üzembe helyezése Bővíthető Méretezhető Helyi első felhasználói élmény |
Windows rendszerű gépi tanulás
A Windows machine learning következtetési motorja lehetővé teszi, hogy betanított gépi tanulási modelleket használjon az alkalmazásokban, és helyileg értékelje ki a betanított modelleket Windows 10-eszközökön.
A Windows rendszerű gépi tanulást akkor használja, ha betanított gépi tanulási modelleket szeretne használni a Windows-alkalmazásokban.
Elem | Leírás |
---|---|
Típus | Következtetési motor betanított modellekhez Windows-eszközökön |
Támogatott nyelvek | C#/C++, JavaScript |
SynapseML
A SynapseML (korábbi nevén MMLSpark) egy nyílt forráskódú kódtár, amely leegyszerűsíti a nagymértékben méretezhető gépi tanulási folyamatok létrehozását. A SynapseML api-kat biztosít számos különböző gépi tanulási feladathoz, például szövegelemzéshez, látáshoz, anomáliadetektáláshoz és sok máshoz. A SynapseML az Apache Spark elosztott számítási keretrendszerre épül, és ugyanazt az API-t használja, mint a SparkML/MLLib-kódtár, így zökkenőmentesen beágyazhat SynapseML-modelleket a meglévő Apache Spark-munkafolyamatokba.
A SynapseML számos mélytanulási és adatelemzési eszközt ad hozzá a Spark-ökoszisztémához, beleértve a Spark Machine Tanulás folyamatok zökkenőmentes integrációját a Light Gradient Boosting Machine(LightGBM), a LIME (Modellértelmezhetőség) és az OpenCV-vel. Ezekkel az eszközökkel hatékony prediktív modelleket hozhat létre bármely Spark-fürtön, például az Azure Databricksben vagy a Cosmic Sparkban.
A SynapseML hálózatkezelési képességeket is biztosít a Spark-ökoszisztémához. A Spark-projekt HTTP-jével a felhasználók bármilyen webszolgáltatást beágyazhatnak SparkML-modelljeikbe. A SynapseML emellett könnyen használható eszközöket biztosít az Azure AI-szolgáltatások nagy léptékű vezényléséhez. Az éles üzemű üzembe helyezéshez a Spark-kiszolgáló projekt lehetővé teszi a Spark-fürt által támogatott magas átviteli sebességet és almilliszekundumos késésű webszolgáltatásokat.
Elem | Leírás |
---|---|
Típus | Nyílt forráskódú, elosztott gépi tanulási és mikroszolgáltatási keretrendszer az Apache Sparkhoz |
Támogatott nyelvek | Scala 2.11, Java, Python 3.5+, R (bétaverzió) |
Gépi tanulási fázisok | Adatok előkészítése A modell betanítása Telepítés |
Fő előnyök | Méretezhetőség Streamelés + Szolgáltatás kompatibilis Hibatűrés |
Megfontolások | Apache Spark-ra van szükség |
Közreműködők
Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.
Fő szerző:
- Zoiner Tejada | ügyvezető igazgató (vezérigazgató) és építész
Következő lépések
- A Microsofttól elérhető összes mesterségesintelligencia-fejlesztési termékről a Microsoft AI platformon tájékozódhat.
- A microsoftos mi- és gépi Tanulás-megoldások fejlesztésére vonatkozó képzésért tekintse meg a Microsoft Learn képzését.
Kapcsolódó erőforrások
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: