Was ist mit Azure Batch KI passiert?
Der Azure Batch KI-Dienst wurde eingestellt. Die bedarfsgesteuerten Trainingsfunktionen von Batch KI sind in Azure Machine Learning Service verfügbar. Migrieren Sie noch heute.
Zusammen mit vielen anderen Machine Learning-Funktionen umfasst azure Machine Learning Service ein cloudbasiertes verwaltetes Computeziel für Das Training und die Batchbewertung von Machine Learning-Modellen. Dieses Computeziel heißt Azure Machine Learning Compute und erweitert alle Funktionen des veralteten Batch KI-Diensts. Beginnen Sie noch heute mit der Migration und Verwendung. Sie können mit dem Azure Machine Learning Service über das Python SDK, die Befehlszeilenschnittstelle und die Azure-Portal interagieren.
Supportzeitachse
Sie können Ihre vorhandenen Azure Batch KI-Abonnements nur für eine Karenzzeit verwenden, aber der Dienst wird offiziell eingestellt, ohne dass SLAs unterstützt werden. Neue Abonnementregistrierungen sind nicht möglich und es werden keine weiteren Investitionen oder Updates vorgenommen.
Der Dienst wird in Kürze ohne weitere Ankündigung heruntergefahren.
Hinweis
Azure Machine Learning Service ist in Government-Clouds nicht verfügbar (ga ist für Juni 2019 geplant), und wir werden den Batch KI-Dienst in dieser Region bis dahin weiterhin unterstützen.
Vergleich zu Azure Machine Learning
Azure Machine Learning Service ist ein Clouddienst, mit dem Sie Modelle für maschinelles Lernen trainieren, bereitstellen, automatisieren und verwalten und dabei von den Vorteilen der Cloud profitieren können. Allgemeine Informationen zu Azure Machine Learning Service finden Sie in dieser Übersicht.
Der Entwicklungslebenszyklus für ein Modell umfasst in der Regel folgende Phasen: Datenaufbereitung, Training/Experimente und Bereitstellung. Dieser End-to-End-Zyklus kann mithilfe von Machine Learning-Pipelines orchestriert werden.
Weitere Informationen zur Funktionsweise und zu den wichtigsten Konzepten des Diensts finden Sie hier. Viele der Konzepte des Modelltrainingsworkflows ähneln den Konzepten aus Batch KI.
Dies wird in der folgenden Zuordnung veranschaulicht:
| Batch KI-Dienst | Azure Machine Learning Service |
|---|---|
| Arbeitsbereich | Arbeitsbereich |
| Cluster | Compute vom Typ AmlCompute |
| Dateiserver | Datenspeicher |
| Experimente | Experimente |
| Aufträge | Ausführungen (geschachtelte Ausführungen möglich) |
Hier noch eine andere Darstellung der gleichen Tabelle zur weiteren Veranschaulichung:
Batch KI-Hierarchie
Hierarchie von Azure Machine Learning Service
Plattformfunktionen
Azure Machine Learning Service bietet eine Vielzahl neuer Funktionen, einschließlich eines end-to-end-Trainings-Bereitstellungsstapels, den Sie für Ihre KI-Entwicklung> verwenden können, ohne Azure-Ressourcen verwalten zu müssen. Die folgende Tabelle enthält eine Gegenüberstellung der Trainingsfeatureunterstützung für die beiden Dienste:
| Funktion | Batch KI-Dienst | Azure Machine Learning Service |
|---|---|---|
| Wahl der VM-Größe | CPU/GPU | CPU/GPU. Unterstützt auch FPGA für Rückschlüsse |
| KI-bereiter Cluster (Treiber, Docker usw.) | Yes | Yes |
| Knotenvorbereitung | Ja | Nein |
| Wahl der Betriebssystemfamilie | Partial | Nein |
| Dedizierte VMs und VMs mit niedriger Priorität | Yes | Yes |
| Automatische Skalierung | Yes | Ja (standardmäßig) |
| Wartezeit für automatische Skalierung | Nein | Ja |
| SSH | Yes | Yes |
| Einbindung auf Clusterebene | Ja (Dateifreigaben, Blobs, NFS, benutzerdefiniert) | Ja (Einbindung oder Download Ihres Datenspeichers) |
| Verteiltes Training | Yes | Yes |
| Ausführungsmodus | Virtueller Computer oder Container | Container |
| Benutzerdefiniertes Containerimage | Yes | Yes |
| Beliebiges Toolkit | Yes | Ja (Python-Skript ausführen) |
| Auftragsvorbereitung | Yes | Noch nicht |
| Bereitstellung auf Auftragsebene | Ja (Dateifreigaben, Blobs, NFS, benutzerdefiniert) | Ja (Dateifreigaben, Blobs) |
| Auftragsüberwachung | über „GetJob“ | über Ausführungsverlauf (umfangreichere Informationen, benutzerdefinierte Runtime zum Pushen weiterer Metriken) |
| Abrufen von Auftragsprotokollen und Dateien/Modellen | über „ListFiles“ und Storage-APIs | über den Artefaktdienst |
| Unterstützung von Tensorboard | Nein | Ja |
| Kontingente auf VM-Familienebene | Yes | Ja (mit Übernahme Ihrer vorherigen Kapazität) |
Neben den Features aus der obigen Tabelle stehen in Azure Machine Learning Service weitere Features zur Verfügung, die in Batch AI bisher nicht unterstützt wurden:
| Funktion | Batch KI-Dienst | Azure Machine Learning Service |
|---|---|---|
| Umgebungsvorbereitung | No | Ja (Conda-Vorbereitung und Upload in ACR) |
| Hyperparameteroptimierung | Nein | Ja |
| Modellverwaltung | Nein | Ja |
| Operationalisierung/Bereitstellung | No | Über AKS und ACI |
| Vorbereitung der Daten | Nein | Ja |
| Computeziele | Virtuelle Azure-Computer | Lokal, Batch AI (als „AmlCompute“), Databricks, HDInsight |
| Automatisiertes maschinelles Lernen | Nein | Ja |
| Pipelines | Nein | Ja |
| Batchbewertung | Yes | Yes |
| Portal-/CLI-Unterstützung | Yes | Yes |
Programmierschnittstellen
Die folgende Tabelle enthält die verschiedenen verfügbaren Programmierschnittstellen für den jeweiligen Dienst:
| Funktion | Batch AI-Dienst | Azure Machine Learning Service |
|---|---|---|
| SDK | Java, C#, Python, Node.js | Python (konfigurations- und estimatorbasierte Ausführung für gängige Frameworks) |
| Befehlszeilenschnittstelle (CLI) | Yes | Noch nicht |
| Azure-Portal | Ja | Ja (mit Ausnahme der Auftragsübermittlung) |
| REST-API | Ja | Ja, aber verteilt auf Microservices |
Wenn Sie von der Batch KI-Vorschauversion auf die allgemein verfügbare Version von Azure Machine Learning Service upgraden, stehen Ihnen benutzerfreundlichere Konzepte wie Estimatoren und Datenspeicher zur Verfügung. Darüber hinaus profitieren Sie von Azure-SLAs und Kundensupport für allgemein verfügbare Versionen.
Azure Machine Learning Service bietet zudem neue Funktionen wie automatisiertes maschinelles Lernen, Hyperparameteroptimierung und ML-Pipelines, die bei den meisten umfangreichen KI-Workloads hilfreich sind. Dank der Möglichkeit, ein trainiertes Modell ohne Wechsel zu einem separaten Dienst bereitzustellen, können Sie die Data Science-Schleife von der Datenaufbereitung (mit dem Datenaufbereitungs-SDK) bis hin zur Operationalisierung und Modellüberwachung abwickeln.
Migrate
Im Artikel Migrating from Batch AI to Azure Machine Learning service (Migrieren von Batch AI zu Azure Machine Learning Service) wird erläutert, wie Sie eine Migration ausführen und wie der von Ihnen verwendete Code mit dem Code in Azure Machine Learning Service zusammenhängt.
Support
Batch KI wurde eingestellt und blockiert bereits die Registrierung neuer Abonnements für den Dienst. Sollten Sie Fragen oder Feedback in Verbindung mit der Migration zu Azure Machine Learning Service haben, wenden Sie sich an uns.
Azure Machine Learning Service ist ein allgemein verfügbarer Dienst. Er verfügt somit über eine verbindliche SLA und bietet eine Auswahl verschiedener Supportpläne.
Die Preise für die Nutzung der Azure-Infrastruktur über den Batch KI-Dienst oder den Azure Machine Learning-Dienst sollten nicht variieren, da wir in beiden Fällen nur den Preis für die zugrunde liegende Computeverarbeitung berechnen. Weitere Informationen finden Sie unter Azure-Preisrechner.
Die regionale Verfügbarkeit für die beiden Dienste können Sie im Azure-Portal anzeigen.
Nächste Schritte
Lesen Sie, wie Sie eine Migration ausführen und wie der von Ihnen verwendete Code mit Code in Azure Machine Learning Service zusammenhängt.
Lesen Sie den Überblick über den Azure Machine Learning Service.
Konfigurieren Sie Computeziele zum Trainieren von Modellen mit dem Azure Machine Learning Service.
Lesen Sie die Azure-Roadmap, um mehr über Updates anderer Azure-Dienste zu erfahren.