¿Qué le pasó a Azure Batch IA?
El servicio de inteligencia artificial Azure Batch se ha retirado. Las funcionalidades de entrenamiento a escala de Batch AI están disponibles en Azure Machine Learning Service. Migre hoy.
Junto con muchas otras funcionalidades de aprendizaje automático, Azure Machine Learning Service incluye un destino de proceso administrado basado en la nube para los modelos de aprendizaje automático de puntuación por lotes y entrenamiento. Este destino de proceso se denomina Proceso de Azure Machine Learning y amplía todas las funcionalidades del servicio Batch AI en desuso. Empezar a migrar y usarlo hoy. Puede interactuar con el servicio Azure Machine Learning a través de su SDK de Python, la interfaz de línea de comandos y el Azure Portal.
Escala de tiempo del soporte técnico
Puede usar las suscripciones de ia de Azure Batch existentes solo durante un período de gracia, pero el servicio se retira oficialmente sin compatibilidad con acuerdos de nivel de servicio. No se pueden realizar nuevos registros de suscripción y no se realizan más inversiones ni actualizaciones.
El servicio se apagará pronto sin previo aviso.
Nota
Azure Machine Learning Service no está disponible en nubes gubernamentales (la disponibilidad general está prevista para junio de 2019) y seguiremos admitiendo el servicio Batch AI en esa región hasta entonces.
Comparación con Azure Machine Learning
Se trata de un servicio en la nube que se usa para entrenar, implementar, automatizar y administrar modelos de aprendizaje automático, y todo ello con la gran capacidad de escalado que proporciona la nube. Conozca qué es Azure Machine Learning Service en esta introducción.
En un ciclo de vida típico de desarrollo de un modelo se pueden distinguir las siguientes fases: preparación de datos, entrenamiento, experimentación e implementación. Este ciclo de un extremo a otro se puede orquestar mediante canalizaciones de Machine Learning.
Más información sobre cómo funciona el servicio y sus conceptos principales. Muchos de los conceptos del flujo de trabajo de entrenamiento de modelos son similares a los conceptos existentes en Batch AI.
En concreto, esta es una tabla de cómo debe considerarlos:
| Servicio Batch AI | Azure Machine Learning Service |
|---|---|
| Área de trabajo | Área de trabajo |
| Clúster | Proceso de tipo AmlCompute |
| Servidores de archivos | DataStores |
| Experimentos | Experimentos |
| Trabajos | Ejecuciones (permite ejecuciones anidadas) |
Esta es otra vista de la misma tabla que le ayudará a visualizar mejor las cosas:
Jerarquía de Batch AI
Jerarquía de Azure Machine Learning Service
Funcionalidades de plataforma
Azure Machine Learning Service ofrece un gran conjunto de nuevas funcionalidades, incluida una pila de implementación de entrenamiento> de un extremo a otro que puede usar para el desarrollo de inteligencia artificial sin tener que administrar ningún recurso de Azure. En esta tabla se compara la compatibilidad con las características para el entrenamiento entre los dos servicios.
| Característica | Servicio Batch AI | Azure Machine Learning Service |
|---|---|---|
| Elección del tamaño de máquina virtual | CPU/GPU | CPU/GPU. También admite FPGA para la realización de inferencias |
| Clúster preparado para inteligencia artificial (controladores, Docker, etc.) | Sí | Sí |
| Preparación del nodo | Sí | No |
| Elección de la familia de sistema operativo | Parcial | No |
| Máquinas virtuales dedicadas y de prioridad baja | Sí | Sí |
| Escalado automático | Sí | Sí (de forma predeterminada) |
| Tiempo de espera para la escalabilidad automática | No | Sí |
| SSH | Sí | Sí |
| Montaje de nivel del clúster | Sí (FileShares, Blobs, NFS, personalizado) | Sí (montar o descargar el almacén de datos) |
| Entrenamiento distribuido | Sí | Sí |
| Modo de ejecución del trabajo | Máquina virtual o contenedor | Contenedor |
| Imagen de contenedor personalizada | Sí | Sí |
| Cualquier kit de herramientas | Sí | Sí (ejecutar script de Python) |
| JobPreparation | Sí | Aún no |
| Montaje en el nivel de trabajo | Sí (FileShares, Blobs, NFS, personalizado) | Sí (FileShares, Blobs) |
| Supervisión de trabajos | Mediante GetJob | Mediante el historial de ejecución (información más completa, entorno de ejecución personalizado para insertar más métricas) |
| Recuperar registros de trabajos y archivos o modelos | Mediante ListFiles y API de Storage | Mediante el servicio de artefacto |
| Compatibilidad con Tensorboard | No | Sí |
| Cuotas de nivel de familia de máquinas virtuales | Sí | Sí (con la capacidad anterior transmitida) |
Además de la tabla anterior, hay características en Azure Machine Learning Service que tradicionalmente no se admitían en BatchAI.
| Característica | Servicio Batch AI | Azure Machine Learning Service |
|---|---|---|
| Preparación del entorno | No | Sí (preparación y carga de Conda en ACR) |
| Ajuste de hiperparámetros | No | Sí |
| Administración de modelos | No | Sí |
| Operacionalización e implementación | No | Mediante AKS y ACI |
| Preparación de los datos | No | Sí |
| Destinos de proceso | Máquinas virtuales de Azure | Local, BatchAI (como AmlCompute), DataBricks, HDInsight |
| Automated Machine Learning | No | Sí |
| Pipelines | No | Sí |
| Puntuación por lotes | Sí | Sí |
| Compatibilidad con el portal o la CLI | Sí | Sí |
Interfaces de programación
En esta tabla se presentan las diversas interfaces de programación disponibles para cada servicio.
| Característica | Servicio BatchAI | Azure Machine Learning Service |
|---|---|---|
| SDK | Java, C#, Python, Nodejs | Python (basado en la configuración de ejecución y basado en el estimador para plataformas comunes) |
| CLI | Sí | Aún no |
| Azure portal | Sí | Sí (excepto envío de trabajos) |
| API DE REST | Sí | Sí, pero distribuido entre microservicios |
La actualización del servicio Batch AI en versión preliminar a Azure Machine Learning Service con disponibilidad general le proporciona una mejor experiencia gracias a conceptos que son más fáciles de usar, como estimadores y almacenes de datos. También garantiza Acuerdos de Nivel de Servicio (SLA) de Azure de nivel de disponibilidad general y soporte técnico al cliente.
Azure Machine Learning Service también proporciona nueva funcionalidad, como aprendizaje automático automatizado, ajuste de hiperparámetros y canalizaciones de aprendizaje automático, que son útiles en la mayoría de las cargas de trabajo de AI a gran escala. La posibilidad de poner en marcha un modelo entrenado sin cambiar a un servicio independiente ayuda a completar el bucle de ciencia de datos: desde la preparación de los datos (con el SDK de preparación de datos) hasta la puesta en marcha y la supervisión del modelo.
Migrate
Aprenda a migrar a Azure Machine Learning Service y sepa cómo el código que usa se asigna a dicho servicio en el artículo Migrar a Azure Machine Learning Service.
Obtención de soporte técnico
Batch AI se ha retirado y ya está bloqueando el registro de nuevas suscripciones en el servicio. Si tiene alguna pregunta o comentario al migrar a Azure Machine Learning Service, puede ponerse en contacto con nosotros en Azure Batch AI Training Preview.
Azure Machine Learning Service es un servicio disponible con carácter general. Esto significa que se incluye con un Acuerdo de Nivel de Servicio (SLA) y diversos planes de soporte técnico para elegir.
Los precios para usar la infraestructura de Azure a través del servicio Batch AI o a través del servicio Azure Machine Learning no deben variar, ya que solo cobramos el precio del proceso subyacente en ambos casos. Para más información, consulte la calculadora de precios.
Vea la disponibilidad regional entre los dos servicios en Azure Portal.
Pasos siguientes
Aprenda cómo migrar Azure Machine Learning Service y cómo el código que usa ahora se asigna al código de este servicio.
Lea la información general de Azure Machine Learning Service.
Configure un destino de proceso para el entrenamiento de modelos con Azure Machine Learning Service.
Revise la hoja de ruta de Azure para información de otras actualizaciones de servicios de Azure.