Co się stało z Azure Batch sztuczną inteligencją?

Usługa Azure Batch AI została wycofana. Możliwości trenowania na dużą skalę usługi Batch AI są dostępne w usłudze Azure Machine Learning Service. Migrowanie dzisiaj.

Oprócz wielu innych możliwości uczenia maszynowego usługa Azure Machine Learning service obejmuje oparty na chmurze obiekt obliczeniowy przeznaczony do trenowania i oceniania wsadowego modeli uczenia maszynowego. Ten docelowy obiekt obliczeniowy jest nazywany usługą Azure Machine Learning Compute i rozszerza wszystkie możliwości przestarzałej usługi Batch AI. Migrację i korzystanie z tego obiektu warto zacząć już dziś. Możesz wchodzić w interakcje z usługą Azure Machine Learning za pomocą zestawu SDK języka Python, interfejsu wiersza polecenia i Azure Portal.

Oś czasu pomocy technicznej

Możesz używać istniejących subskrypcji sztucznej inteligencji Azure Batch tylko na okres prolongaty, ale usługa jest oficjalnie wycofana bez obsługi umów SLA. Nie są możliwe żadne nowe rejestracje subskrypcji i nie są wykonywane żadne dalsze inwestycje ani aktualizacje.

Usługa zostanie wkrótce zamknięta bez dalszych powiadomień.

Migrowanie dzisiaj.

Uwaga

Usługa Azure Machine Learning nie jest dostępna w chmurach dla instytucji rządowych (ogólna dostępność jest planowana w czerwcu 2019 r.), a do tego czasu będziemy nadal obsługiwać usługę Batch AI w tym regionie.

Porównanie z usługą Azure Machine Learning

Jest to usługa w chmurze, która pozwala trenować, wdrażać i automatyzować modele uczenia maszynowego oraz zarządzać nimi. Wszystko to jest możliwe na dużą skalę zapewnianą przez chmurę. Uzyskaj ogólne informacje na temat usługi Azure Machine Learning Service w tym omówieniu.

Typowy cykl życia projektowania modelu obejmuje fazy przygotowywania danych, trenowania i eksperymentowania oraz wdrażania. Ten kompleksowy cykl można orkiestrować przy użyciu potoków uczenia maszynowego.

Diagram przepływu

Dowiedz się więcej na temat sposobu działania usługi i jej głównych pojęć. Wiele pojęć w przepływie pracy trenowania modelu jest podobnych do pojęć istniejących w usłudze Batch AI.

Oto mapowanie pomagające w ich zrozumieniu:

Usługa Batch AI Usługa Azure Machine Learning Service
Workspace Workspace
Klaster Obliczenia typu AmlCompute
Serwery plików Magazyny danych
Eksperymenty Eksperymenty
Stanowiska Przebiegi (dozwolone zagnieżdżone przebiegi)

Oto inny widok tej samej tabeli, który pomoże lepiej zwizualizować te informacje:

Hierarchia usługi Batch AI

Diagram przepływu

Hierarchia usługi Azure Machine Learning

Diagram przepływu

Możliwości platformy

Usługa Azure Machine Learning service oferuje doskonały zestaw nowych funkcji, w tym kompleksowego stosu wdrażania trenowania>, którego można użyć do opracowywania sztucznej inteligencji bez konieczności zarządzania zasobami platformy Azure. Ta tabela zawiera porównanie obsługi funkcji do trenowania w obu usługach.

Cecha Usługa Batch AI Usługa Azure Machine Learning Service
Wybór rozmiaru maszyny wirtualnej CPU/GPU CPU/GPU. Obsługuje również układ FPGA na potrzeby wnioskowania
Klaster z obsługą AI (sterowniki, Docker itp.) Tak Tak
Przygotowanie węzła Tak Nie
Wybór rodziny systemów operacyjnych Częściowe Nie
Maszyny wirtualne dedykowane i o niskim priorytecie Tak Tak
Skalowanie automatyczne Tak Tak (domyślnie)
Czas oczekiwania na skalowanie automatyczne Nie Tak
Protokół SSH Tak Tak
Instalowanie na poziomie klastra Tak (udziały plików, obiekty blob, system plików NFS, niestandardowe) Tak (instalowanie lub pobieranie magazynu danych)
Trenowanie rozproszone Tak Tak
Tryb wykonywania zadań Maszyna wirtualna lub kontener Kontener
Niestandardowy obraz kontenera Tak Tak
Dowolny zestaw narzędzi Tak Tak (uruchamianie skryptów języka Python)
Przygotowywanie zadań Tak Jeszcze nie
Instalowanie poziomu zadania Tak (udziały plików, obiekty blob, system plików NFS, niestandardowe) Tak (udziały plików, obiekty blob)
Monitorowanie zadań Za pomocą metody GetJob Za pomocą historii uruchamiania (bogatsze informacje, niestandardowe środowisko uruchomieniowe umożliwiające wypychanie dodatkowych metryk)
Pobieranie dzienników zadań i plików/modeli Za pomocą metody ListFiles i interfejsów API magazynu Za pomocą usługi artefaktu
Obsługa narzędzia Tensorboard Nie Tak
Limity przydziałów na poziomie rodziny maszyn wirtualnych Tak Tak (wcześniejsza pojemność jest przenoszona)

Oprócz funkcji podanych w powyższej tabeli, w usłudze Azure Machine Learning Service istnieją funkcje, które tradycyjnie nie były obsługiwane w usłudze Batch AI.

Cecha Usługa Batch AI Usługa Azure Machine Learning Service
Przygotowywanie środowiska Nie Tak (przygotowywanie i przekazywanie do usługi ACR za pomocą menedżera Conda)
Strojenie hiperparametryczne Nie Tak
Zarządzanie modelem Nie Tak
Operacjonalizacja/wdrażanie Nie Za pomocą usług AKS i ACI
Przygotowywanie danych Nie Tak
Docelowe obiekty obliczeniowe Maszyny wirtualne platformy Azure Środowisko lokalne, usługa Batch AI (jako AmlCompute), usługa Databricks, usługa HDInsight
Zautomatyzowane uczenie maszynowe Nie Tak
Pipelines Nie Tak
Wsadowe generowanie wyników Tak Tak
Obsługa portalu/interfejsu wiersza polecenia Tak Tak

Interfejsy programowania

Ta tabela przedstawia różne interfejsy programowania dostępne dla każdej usługi.

Cecha Usługa Batch AI Usługa Azure Machine Learning Service
SDK Java, C#, Python, Nodejs Python (zarówno oparty na konfiguracji uruchamiania, jak i na narzędziu do szacowania dla typowych struktur)
Interfejs wiersza polecenia Tak Jeszcze nie
Azure Portal Tak Tak (z wyjątkiem przesyłania zadań)
Interfejs API REST Tak Tak, ale rozproszony na wiele mikrousług

Uaktualnianie z wersji zapoznawczej usługi Batch AI do ogólnie dostępnej usługi Azure Machine Learning service zapewnia lepsze środowisko dzięki pojęciom, które są łatwiejsze do użycia, takie jak narzędzia do szacowania i magazyny danych. Gwarantuje to również podleganie umowom SLA oraz pomoc techniczną na poziomie ogólnie dostępnych usług platformy Azure.

Usługa Azure Machine Learning Service oferuje również nowe funkcje, takie jak zautomatyzowane uczenie maszynowe, dostrajanie hiperparametrów i potoki uczenia maszynowego, które są przydatne w przypadku większości obciążeń sztucznej inteligencji na dużą skalę. Możliwość wdrożenia wytrenowanego modelu bez przełączania się do oddzielnej usługi pomaga ukończyć pętlę nauki o danych z przygotowywania danych (przy użyciu zestawu SDK przygotowywania danych) przez cały sposób na operacjonalizacja i monitorowanie modelu.

Migrate

Dowiedz się, jak przeprowadzić migrację i jak kod używany do tworzenia kodu w usłudze Azure Machine Learning Service zawiera artykuł Migrate to Azure Machine Learning Service (Migrowanie do usługi Azure Machine Learning).

Uzyskiwanie pomocy technicznej

Usługa Batch AI została wycofana i blokuje już nowe subskrypcje przed zarejestrowaniem się w usłudze. Jeśli masz jakiekolwiek pytania lub chcesz przesłać opinię na temat migracji do usługi Azure Machine Learning Service, wyślij wiadomość na adres Azure Batch AI Training Preview.

Usługa Azure Machine Learning jest usługą ogólnie dostępną. Oznacza to, że towarzyszy jej zatwierdzona umowa SLA i różne plany pomocy technicznej do wyboru.

Ceny korzystania z infrastruktury platformy Azure za pośrednictwem usługi Batch AI lub za pośrednictwem usługi Azure Machine Learning nie powinny się różnić, ponieważ opłaty są naliczane tylko za bazowe zasoby obliczeniowe w obu przypadkach. Aby uzyskać więcej informacji, zobacz kalkulator cen.

Wyświetl dostępność regionalną obu usług w witrynie Azure Portal.

Następne kroki