Каталог моделей и коллекции
Каталог моделей в Студия машинного обучения Azure — это центр для обнаружения и использования широкого спектра моделей, позволяющих создавать приложения сгенерируемым искусственным интеллектом. Каталог моделей содержит сотни моделей от поставщиков моделей, таких как служба Azure OpenAI, Mistral, Meta, Cohere, Nvidia, Hugging Face, включая модели, обученные корпорацией Майкрософт. Модели от поставщиков, отличных от корпорации Майкрософт, являются продуктами, отличными от Майкрософт, как определено в условиях продукта Майкрософт, и соответствуют условиям, предоставленным моделью.
Коллекции моделей
Модели организованы коллекциями в каталоге моделей. В каталоге моделей существует три типа коллекций:
- Модели, курируемые Azure AI: самые популярные сторонние открытые модели веса и собственные модели упакованы и оптимизированы для эффективной работы на платформе ИИ Azure. Использование этих моделей распространяется на условия лицензии поставщика моделей, предоставляемые моделью. При развертывании в Машинном обучении Azure доступность модели регулируется применимым соглашением об уровне обслуживания Azure, и Microsoft предоставляет поддержку по вопросам развертывания. Модели от партнеров, таких как Meta, NVIDIA, Mistral AI, являются примерами моделей, доступных в коллекции "Курируемый Azure AI" в каталоге. Эти модели можно обозначить зеленой галочкой на плитках моделей в каталоге, или вы можете отфильтровать их по коллекции "Курируемый ИИ Azure".
- Модели Azure OpenAI, доступные исключительно в Azure: флагманские модели Azure OpenAI через коллекцию Azure OpenAI через интеграцию со службой Azure OpenAI. Эти модели поддерживаются Microsoft, и их использование регулируется условиями продукта и соглашением об уровне обслуживания для службы Azure OpenAI.
- Открытые модели из концентратора распознавания лиц Hugging: сотни моделей из концентратора HuggingFace доступны через коллекцию Hugging Face для вывода в режиме реального времени с сетевыми конечными точками. Hugging face создает и поддерживает модели, перечисленные в коллекции HuggingFace. Для получения помощи воспользуйтесь форумом HuggingFace или службой поддержки HuggingFace. Узнайте больше о развертывании моделей из Hugging Face.
Предлагая дополнения к каталогу моделей: вы можете отправить запрос на добавление модели в каталог моделей с помощью этой формы.
Общие сведения о возможностях каталога моделей
Сведения о моделях Azure OpenAI см. в службе Azure OpenAI.
Для моделей , управляемых с помощью ИИ Azure и Открытых моделей из концентратора распознавания лиц, некоторые из них можно развернуть с помощью управляемого вычислительного параметра, а некоторые из них доступны для развертывания с помощью бессерверных API с выставлением счетов по мере использования. Эти модели можно обнаружить, сравнить, оценить, точно настроить (при поддержке) и развернуть в масштабе и интегрировать в приложения Генерированного ИИ с корпоративным классом безопасности и управления данными.
- Обнаружение: просмотр моделей карта, примеры вывода и просмотр примеров кода для оценки, точной настройки или развертывания модели.
- Сравнение: сравнивайте тесты между моделями и наборами данных, доступными в отрасли, чтобы оценить, какой из них соответствует вашему бизнес-сценарию.
- Оценка. Оцените, подходит ли модель для конкретной рабочей нагрузки, предоставив собственные тестовые данные. Метрики оценки позволяют легко визуализировать, насколько хорошо выбранная модель работает в вашем сценарии.
- Тонкой настройки. Настройка точной настройки моделей с помощью собственных обучающих данных и выбор оптимальной модели путем сравнения метрик во всех заданиях точной настройки. Встроенные оптимизации ускоряют настройку и сокращают объем памяти и вычислительные ресурсы, необходимые для точной настройки.
- Развертывание: развертывание предварительно обученных моделей или точно настроенных моделей для вывода. Можно также скачать модели, которые можно развернуть для управляемых вычислений.
Развертывание модели: управляемые вычислительные ресурсы и бессерверный API (оплата по мере использования)
Каталог моделей предлагает два различных способа развертывания моделей из каталога для использования: управляемых вычислительных и бессерверных API. Варианты развертывания, доступные для каждой модели, различаются; Дополнительные сведения о функциях параметров развертывания и параметрах, доступных для конкретных моделей, см. в таблицах ниже. Дополнительные сведения об обработке данных с параметрами развертывания.
| Функции | Управляемые вычисления | Бессерверный API (оплата по мере использования) |
|---|---|---|
| Интерфейс развертывания и выставление счетов | Вес модели развертывается в выделенных Виртуальные машины с управляемыми сетевыми конечными точками. Управляемая конечная точка в сети, которая может иметь одно или несколько развертываний, предоставляет REST API для вывода. Плата взимается за базовые часы виртуальных машин, используемых развертываниями. | Доступ к моделям осуществляется через развертывание, которое подготавливает API для доступа к модели. API предоставляет доступ к модели, размещенной в центральном пуле GPU, управляемом корпорацией Майкрософт, для вывода. Этот режим доступа называется "Модели как услуга". Плата за входные и выходные данные в API обычно взимается в маркерах; Перед развертыванием предоставляются сведения о ценах. |
| Проверка подлинности API | Ключи и проверка подлинности идентификатора Microsoft Entra. Подробнее. | Только ключи. |
| Безопасность содержимого | Используйте API службы содержимого Azure Сейф ty. | Фильтры содержимого azure AI Сейф ty доступны интегрированными с API вывода. Счета за Сейф фильтры содержимого ИИ Azure могут взиматься отдельно. |
| Сетевая изоляция | Управляемые виртуальная сеть с сетевыми конечными точками. Подробнее. |
Параметры развертывания
| Модель | Управляемые вычисления | Бессерверный API (оплата по мере использования) |
|---|---|---|
| Семейные модели Ламы | Лама-2-7b Лама-2-7b-чат Лама-2-13b Ллома-2-13b-чат Лама-2-70b Ллома-2-70b-чат Лама-3-8B-Instruct Лама-3-70B-Instruct Лама-3-8B Лама-3-70B |
Лама-3-70B-Instruct Лама-3-8B-Instruct Лама-2-7b Лама-2-7b-чат Лама-2-13b Ллома-2-13b-чат Лама-2-70b Ллома-2-70b-чат |
| Модели семейства Мистралей | mistralai-Mixtral-8x22B-v0-1 mistralai-Mixtral-8x22B-Instruct-v0-1 mistral-community-Mixtral-8x22B-v0-1 mistralai-Mixtral-8x7B-v01 mistralai-Mistral-7B-Instruct-v0-2 mistralai-Mistral-7B-v01 mistralai-Mixtral-8x7B-Instruct-v01 mistralai-Mistral-7B-Instruct-v01 |
Мистраль-большой Мистраль-маленький |
| Модели семейства Cohere | Недоступно | Cohere-command-r-plus Cohere-command-r Cohere-embed-v3-english Cohere-embed-v3-многоязычный |
| JAIS | Недоступно | jais-30b-chat |
| Семейные модели Phi3 | Phi-3-small-128k-Instruct Phi-3-small-8k-Instruct Phi-3-mini-4k-Instruct Phi-3-mini-128k-Instruct Phi3-medium-128k-instruct Phi3-medium-4k-instruct |
Phi-3-mini-4k-Instruct Phi-3-mini-128k-Instruct Phi3-medium-128k-instruct Phi3-medium-4k-instruct Phi-3-vision-128k-instruct |
| Nixtla | Недоступно | TimeGEN-1 |
| Другие модели | Доступно | Недоступно |
Управляемые вычисления
Возможность развертывания моделей с управляемыми вычислительными ресурсами на платформах возможностей Машинное обучение Azure для обеспечения простой интеграции во всем жизненном цикле LLMOps в широком наборе моделей в каталоге моделей.
Как модели предоставляются для управляемых вычислений?
Модели становятся доступными с помощью Машинное обучение Azure реестров, которые позволяют машинному обучению использовать первый подход к размещению и распространению Машинное обучение ресурсов, таких как вес модели, среды выполнения контейнеров для выполнения моделей, конвейеров для оценки и точной настройки моделей и наборов данных для тестов и примеров. Эти реестры машинного обучения создаются на основе высокомасштабируемой и корпоративной готовой инфраструктуры, которая:
Предоставляет артефакты модели доступа с низкой задержкой во всех регионах Azure с встроенным геоизбытием реплика.
Поддерживает корпоративные требования к безопасности в качестве ограничения доступа к моделям с Политика Azure и безопасным развертыванием с управляемыми виртуальными сетями.
Оценка и настройка моделей, развернутых с помощью управляемых вычислений
Вы можете оценить и точно настроить коллекцию "Curated by Azure AI" в Машинное обучение Azure с помощью Машинное обучение Azure Pipelines. Вы можете использовать собственный код оценки и точной настройки, а также просто вес модели доступа или использовать Машинное обучение Azure компоненты, которые предлагают встроенные возможности оценки и тонкой настройки. Дополнительные сведения см . по этой ссылке.
Развертывание моделей вывода с помощью управляемых вычислений
Модели, доступные для развертывания с управляемыми вычислительными ресурсами, можно развернуть для Машинное обучение Azure сетевых конечных точек для вывода в режиме реального времени или использовать для Машинное обучение Azure пакетного вывода для пакетной обработки данных. При развертывании на управляемых вычислительных ресурсах требуется квота виртуальной машины в подписке Azure для конкретных номеров SKU, необходимых для оптимального запуска модели. Некоторые модели позволяют развертывать временно общую квоту для тестирования модели. Дополнительные сведения о развертывании моделей:
- Развертывание моделей Meta Llama
- Развертывание открытых моделей, созданных СИ Azure
- Развертывание моделей распознавания лиц
Создание созданных приложений ИИ с помощью управляемых вычислений
Поток запросов предлагает возможности прототипа, экспериментирования, итерации и развертывания приложений ИИ. Модели, развернутые с управляемыми вычислительными ресурсами в потоке запросов, можно использовать с помощью средства Open Model LLM. Вы также можете использовать REST API, предоставляемый управляемыми вычислениями, в популярных инструментах LLM, таких как LangChain с расширением Машинное обучение Azure.
Безопасность содержимого для моделей, развернутых с помощью управляемых вычислений
Служба "Содержимое ИИ Azure" Сейф ty (AACS) доступна для использования с моделями, развернутыми для управляемых вычислений на экране для различных категорий вредного содержимого, таких как сексуальное содержимое, насилие, ненависть, ненависть, а также дополнительные угрозы, такие как обнаружение рисков в тюрьме и обнаружение защищенного текста. Вы можете обратиться к этой записной книжке для справки по интеграции с AACS для Llama 2 или использовать средство Content Сейф ty (Text) в потоке запросов для передачи ответов от модели в AACS для проверки. Вы будете выставляться отдельно по тарифам AACS для такого использования.
Работа с моделями, не в каталоге моделей
Для моделей, недоступных в каталоге моделей, Машинное обучение Azure предоставляет открытую и расширяемую платформу для работы с моделями вашего выбора. Модель можно использовать с любой платформой или средой выполнения с помощью открытых и расширяемых возможностей платформы Машинное обучение Azure, таких как Машинное обучение Azure среды для контейнеров, которые могут упаковыть платформы и среды выполнения и Машинное обучение Azure конвейеры. для кода для оценки или точной настройки моделей. См. в этой записной книжке пример ссылки на импорт моделей и работу со встроенными средами выполнения и конвейерами.
Бессерверные API с выставлением счетов по мере использования
Некоторые модели в каталоге моделей можно развернуть как бессерверные API с выставлением счетов по мере использования; этот метод развертывания называется Models-as-a Service (MaaS). Модели, доступные через MaaS, размещаются в инфраструктуре, управляемой корпорацией Майкрософт, которая обеспечивает доступ на основе API к модели поставщика моделей. Доступ на основе API может значительно сократить затраты на доступ к модели и значительно упростить процесс подготовки. Большинство моделей MaaS приходят с ценами на основе токенов.
Как доступны сторонние модели в MaaS?
Модели, доступные для развертывания в качестве бессерверных API с выставлением счетов по мере использования, предлагаются поставщиком моделей, но размещены в инфраструктуре Azure, управляемой Корпорацией Майкрософт, и доступ к ним осуществляется через API. Поставщики моделей определяют условия лицензии и задают цену на использование своих моделей, а служба Машинное обучение Azure управляет инфраструктурой размещения, делает интерфейсы API вывода доступными и выступает в качестве обработчика данных для запросов, отправленных и выходных данных содержимого моделями, развернутыми с помощью MaaS. Дополнительные сведения об обработке данных для MaaS см. в статье о конфиденциальности данных.
Оплата использования модели в MaaS
Интерфейс обнаружения, подписки и потребления моделей, развернутых с помощью MaaS, находится в Azure AI Studio и Студия машинного обучения Azure. Пользователи принимают условия лицензии для использования моделей, а во время развертывания предоставляются сведения о ценах на потребление. Счета за модели сторонних поставщиков выставляются через Azure Marketplace в соответствии с условиями использования коммерческой платформы; модели от Майкрософт выставляются с помощью счетчиков Azure в качестве служб потребления первой стороны. Как описано в условиях продукта, службы потребления первой стороны покупаются с помощью счетчиков Azure, но не применяются к условиям обслуживания Azure. Использование этих моделей распространяется на условия лицензии.
Развертывание моделей вывода с помощью MaaS
Развертывание модели с помощью MaaS позволяет пользователям получать доступ к готовым к использованию API вывода без необходимости настраивать инфраструктуру или подготавливать графические процессоры, экономя время и ресурсы. Эти API можно интегрировать с несколькими средствами LLM и использованием, как описано в предыдущем разделе.
Детализируйте модели с помощью MaaS с оплатой по мере использования
Для моделей, доступных с помощью MaaS и поддержки точной настройки, пользователи могут воспользоваться преимуществами размещенной точной настройки с оплатой по мере использования для настройки моделей с использованием предоставленных данных. Дополнительные сведения см. в статье о точной настройке модели Llama 2 в Azure AI Studio.
RAG с моделями, развернутыми с помощью MaaS
Azure AI Studio позволяет пользователям использовать векторные индексы и получение дополненного поколения. Модели, которые можно развернуть как бессерверные API, можно использовать для создания внедрения и вывода на основе пользовательских данных для создания ответов, относящихся к их варианту использования. Дополнительные сведения см. в разделе "Получение дополненного поколения" и индексов.
Региональная доступность предложений и моделей
Развертывание с оплатой по мере использования доступно только для пользователей, подписка Azure которой принадлежит учетной записи выставления счетов в стране, где поставщик моделей сделал предложение доступным (см. статью "Регион доступности предложения" в таблице в следующем разделе). Если предложение доступно в соответствующем регионе, пользователь должен иметь рабочую область в регионе Azure, где модель доступна для развертывания или тонкой настройки, как применимо (см. столбцы "Регион рабочей области" в таблице ниже).
| Модель | Регион доступности предложения | Регион рабочей области для развертывания | Область рабочей области для точного обучения |
|---|---|---|---|
| Лама-3-70B-Instruct Лама-3-8B-Instruct |
Управляемые страны Майкрософт | Восточная часть США 2, Центральная Швеция | Недоступно |
| Лама-2-7b Лама-2-13b Llama-2-70b |
Управляемые страны Майкрософт | Восточная часть США 2, западная часть США 3 | Западная часть США — 3 |
| Лама-2-7b-чат Ллома-2-13b-чат Ллома-2-70b-чат |
Управляемые страны Майкрософт | Восточная часть США 2, западная часть США 3 | Недоступно |
| Мистраль-Большой Мистраль Маленький |
Управляемые страны Майкрософт | Восточная часть США 2, Центральная Швеция | Недоступно |
| Cohere-command-r-plus Cohere-command-r Cohere-embed-v3-english Cohere-embed-v3-многоязычный |
Управляемые страны Майкрософт Япония |
Восточная часть США 2, Центральная Швеция | Недоступно |
Безопасность содержимого для моделей, развернутых с помощью MaaS
Внимание
Эта функция сейчас доступна в виде общедоступной предварительной версии. Эта предварительная версия предоставляется без соглашения об уровне обслуживания. Ее не следует использовать для производственных рабочих нагрузок. Некоторые функции могут не поддерживаться или их возможности могут быть ограничены.
Дополнительные сведения см. в статье Дополнительные условия использования Предварительных версий Microsoft Azure.
Машинное обучение Azure реализует конфигурацию по умолчаниюСодержимое ИИ Azure Сейф сти фильтров модерации текста для вредоносного содержимого (ненависти, самоповредения, сексуального и насилия) для языковых моделей, развернутых с помощью MaaS. Дополнительные сведения о фильтрации содержимого (предварительная версия) см. в статьях "Категории вреда" в Сейф содержимого ИИ Azure. Фильтрация содержимого (предварительная версия) выполняется синхронно, так как процессы службы запрашивают создание контента, и вы можете выставляться отдельно по тарифам AACS для такого использования. При первом развертывании языковой модели или на странице сведений о развертывании можно отключить фильтрацию содержимого (предварительная версия) для отдельных бессерверных конечных точек, выбрав переключатель фильтрации содержимого. Вы можете столкнуться с более высоким риском предоставления пользователям вредного содержимого при отключении фильтров содержимого.
Подробнее
- Узнайте, как использовать базовые модели в Машинное обучение Azure для точной настройки, оценки и развертывания с помощью методов Студия машинного обучения Azure пользовательского интерфейса или кода.
- Изучите каталог моделей в Студия машинного обучения Azure. Для изучения каталога требуется рабочая область Машинное обучение Azure.
- Оценка, тонкая и развертывание моделей, управляемых Машинное обучение Azure.