AI Studio eller Azure Machine Learning: Vilken upplevelse ska jag välja?

  • Artikel

Den här artikeln hjälper dig att förstå när du ska använda Azure AI Studio jämfört med Azure Machine Learning. Även om det finns en viss överlappning i funktionerna i varje upplevelse, ger den här artikeln en översikt över deras funktioner och de utvecklingsscenarier som passar bäst för varje plattform.

Azure AI Studio

Azure AI Studio-ikon Azure AI Studio är en enhetlig plattform för att utveckla och distribuera generativa AI-appar och Azure AI-API:er på ett ansvarsfullt sätt. Den innehåller en omfattande uppsättning AI-funktioner, förenklat användargränssnitt och kod första funktioner, som erbjuder en enda butik för att skapa, testa, distribuera och hantera intelligenta lösningar.

Är AI Studio rätt för dig?

Azure AI Studio är utformat för att hjälpa utvecklare och dataforskare att effektivt skapa och distribuera generativa AI-program med kraften i Azures breda AI-erbjudanden.

Viktiga funktioner i Azure AI Studio

  • Skapa tillsammans som ett team. Ai Studio-hubben ger säkerhet i företagsklass och en samarbetsmiljö med delade resurser och anslutningar till förtränad modeller, data och beräkning.
  • Organisera ditt arbete. Ditt AI Studio-projekt hjälper dig att spara tillstånd, så att du kan iterera från första idé till första prototyp och sedan första produktionsdistributionen. Bjud också enkelt in andra att samarbeta under den här resan.
  • Använd din önskade utvecklingsplattform och dina ramverk, inklusive GitHub, Visual Studio Code, LangChain, Semantic Kernel, AutoGen med mera.
  • Upptäck och jämför från över 1 600 modeller.
  • Etablera Modeller som en tjänst (MaaS) via serverlösa API:er och värdbaserad finjustering.
  • Införliva flera modeller, datakällor och modaliteter.
  • Skapa hämtningsförhöjd generation (RAG) med dina skyddade företagsdata utan att behöva finjustera.
  • Orkestrera och hantera flöden för teknik och stor språkmodell (LLM).
  • Utforma och skydda appar och API:er med konfigurerbara filter och kontroller.
  • Utvärdera modellsvar med inbyggda och anpassade utvärderingsflöden.
  • Distribuera AI-innovationer till Azures hanterade infrastruktur med kontinuerlig övervakning och styrning i olika miljöer.
  • Övervaka kontinuerligt distribuerade appar för säkerhet, kvalitet och tokenförbrukning i produktion.

Azure Machine Learning Studio

Ikon för Azure Machine Learning Studio Azure Machine Learning Studio är en hanterad maskininlärningsplattform från slutpunkt till slutpunkt för att skapa, finjustera, distribuera och använda Azure Machine Learning-modeller på ett ansvarsfullt sätt i stor skala.

Är Azure Machine Learning Studio rätt för dig?

Azure Machine Learning är utformat för maskininlärningstekniker och dataforskare.

Viktiga funktioner i Azure Machine Learning Studio

  • Skapa och träna Azure Machine Learning-modellen med alla typer av beräkning, inklusive Spark och GPU:er för stora AI-arbetsbelastningar i molnskala.
  • Kör automatiserad Azure Machine Learning (AutoML) och dra och släpp-användargränssnittet för Azure Machine Learning med låg kod.
  • Implementera Azure Machine LearningOps från slutpunkt till slutpunkt och repeterbara Azure Machine Learning-pipelines.
  • Använd en ansvarsfull AI-instrumentpanel för biasidentifiering och felanalys.
  • Samordna och hantera prompttekniker och LLM-flöden.
  • Distribuera modeller med REST API-slutpunkter, realtids- och batchinferens.

Detaljerad funktionsjämförelse

I följande tabell jämförs de viktigaste funktionerna i Azure AI Studio och Azure Machine Learning Studio:

Kategori Funktion Azure AI Studio Azure Machine Learning Studio
Datalagring Lagringslösning Nej Ja, med molnfilsystemintegrering, OneLake i Fabric-integrering och Azure Storage-konton.
Förberedelse av data Dataintegrering till lagring Ja, med Blob Storage, Onelake, Azure Data Lake Storage (ADLS) som stöds i index. Ja, genom att kopiera och montera med Azure Storage-konton.
Dataomvandling Nej Ja, i kod.
Dataetiketter Nej Ja, med objektidentifiering, instanssegmentering, semantisk segmentering, text med namnet Entity Recognition (NER), integrering med 3P-etiketteringsverktyg och -tjänster.
Funktionsarkiv Nej Ja
Data härkomst och etiketter Nej Ja
Spark-arbetsbelastningar Nej Ja
Arbetsbelastningar för dataorkestrering Nej Nej, även om bifogade Spark- och Azure Machine Learning-pipelines är tillgängliga.
Modellutveckling och utbildning Kodverktyg för dataexpert. Ja, med VS Code. Ja, med integrerade notebook-filer, Jupyter, VS Code, R Studio.
Språk Endast Python. Python (fullständig erfarenhet), R, Scala, Java (begränsad upplevelse).
Spåra, övervaka och utvärdera experiment Ja, men bara för promptflödeskörningar. Ja, för alla körningstyper.
Redigeringsverktyg för ML-pipeline Nej Ja, med designern, verktyget för visuell redigering och SDK/CLI/API.
AutoML Nej Ja, för regression, klassificering, tidsserieprognoser, visuellt innehåll och bearbetning av naturligt språk (NLP).
Beräkningsmål för träning Endast serverlös för MaaS-beräkningsinstanser och serverlös körning för promptflöde. Spark-kluster, Azure Machine Learning-kluster (MPI) och Azure Arc serverlösa.
Träna och finjustera stora språkmodeller (LLM: er) och grundmodeller Begränsad till modellkatalogen. Ja, med MPI-baserad distribuerad utbildning och modellkatalogen.
Utvärdera och felsöka Azure Machine Learning-modeller för rättvisa och förklaring. Nej Ja, med den inbyggda instrumentpanelen för ansvarsfull AI.
Generativ AI/LLM LLM-katalog Ja, via modellkatalogen, LLM:er från Azure OpenAI, Hugging Face och Meta. Ja, via modellkatalog-LLM:er från Azure OpenAI, Hugging Face och Meta.
RAG (företagschatt) Ja Ja, via promptflöde.
LLM-innehållsfiltrering Ja, via AI-innehållssäkerhet. Ja, via AI-innehållssäkerhet.
Promptflöde Ja Ja
Leaderboard/benchmarks Ja Nej
Fråga efter exempel Ja Nej
LLM-arbetsflöde/LLMOps/MLOps Lekplats Ja Nej
Experimentera och testa frågor Ja, via lekplats, modellkort och promptflöde. Ja, via modellkort och promptflöde.
Utveckla arbetsflöde Ja, via promptflöde, integrering med LangChain och Semantic Kernel. Ja, via promptflöde, integrering med LangChain och Semantic Kernel.
Distribuera arbetsflöde som slutpunkt Ja, via promptflöde. Ja, via promptflöde.
Flödesversionskontroll Ja, via promptflöde. Ja, via promptflöde.
Inbyggd utvärdering Ja, via promptflöde. Ja, via promptflöde.
Git-integrering Ja Ja
CI/CD Ja, via kod-första upplevelser i promptflöde, integrerat med Azure DevOps och GitHub. Ja, via kod-första upplevelser i promptflöde, integrerat med Azure DevOps och GitHub.
Modellregister Nej Ja, via MIFlow och register.
Organisationsmodellregister Nej Ja, via register.
Modelldistribution Distributionsalternativ för realtidsservering Modeller som en tjänst (MaaS) onlineslutpunkter för MaaP-katalogen. Nej
Distributionsalternativ för batch-servering Nej Stöd för Batch-slutpunkter, Hanterad och ohanterad Azure Arc.
Företagssäkerhet AI Hub Ja, hantera och styra AI-tillgångar. Ja, både för klassiska Azure Machine Learning- och LLM-datorer.
Privata nätverk Ja Ja
Dataförlustskydd Ja Ja
Dartaklassificering Nej Ja, genom Purview.

Relaterat innehåll