Azure'da yapay zeka iş yükleri için kaynak seçimi önerileri
Bu makalede, Azure'da yapay zeka iş yükleri çalıştıran kuruluşlar için kaynak seçimi önerileri sunulmaktadır. Azure AI Studio, Azure OpenAI, Azure Machine Learning ve Azure AI Services gibi Azure AI hizmet olarak platform (PaaS) çözümlerine odaklanır. Hem üretken hem de yaratıcı olmayan yapay zeka iş yüklerini kapsar.
Bilinçli yapay zeka kaynak seçimleri yapmak, kuruluşların yapay zeka iş yüklerini yönetirken daha iyi performans, ölçeklenebilirlik ve maliyet verimliliği elde etmelerini sağlar. Aşağıdaki tabloda birincil Azure AI PaaS çözümlerine ve önemli karar verme ölçütlerine genel bir bakış sağlanmaktadır.
| AI platformu | Yapay zeka türü | Açıklama | Gerekli beceriler |
|---|---|---|---|
| Azure OpenAI | Üretici AI | OpenAI modellerine erişim platformu | Geliştirici ve veri bilimi becerileri |
| Azure Yapay Zeka Stüdyosu | Üretici AI | hızlı mühendislik ve üretken yapay zeka uç noktalarını dağıtma platformu | Geliştirici ve veri bilimi becerileri |
| Azure Yapay Zeka Hizmetleri | Analitik yapay zeka | Önceden oluşturulmuş makine öğrenmesi modellerini kullanma platformu | Geliştirici becerileri |
| Azure Machine Learning | Makine öğrenimi | Makine öğrenmesi modellerini eğitip dağıtma platformu | Geliştirici becerileri ve gelişmiş veri bilimi becerileri |
Üretken yapay zeka iş yükleri için kaynakları seçme
Üretken yapay zeka, giriş verilerine dayalı anlamlı çıkışları işlemek ve oluşturmak için farklı kaynakların birleşimini gerektirir. Uygun seçim, alma artırılmış üretim (RAG) kullananlar gibi üretken yapay zeka uygulamalarının yapay zeka modellerini topraklayarak doğru bir şekilde sunmasını sağlar.
Tipik bir RAG iş yükünde (1) iş yükü kullanıcı sorgusunu alır. (2) Veri akışını istem akışı, Anlam Çekirdeği veya LangChain gibi bir düzenleyici yönetir. (3) Arama ve alma mekanizması, üretken yapay zeka uç noktasına gönderilecek uygun (4) topraklama verilerini bulur. (5) Üretken bir yapay zeka modeli uç noktası, kullanıcı sorgusuna ve temel alma verilerine göre bir yanıt oluşturur. Üretken RAG iş yükleri oluşturmak için aşağıdaki önerileri çerçeve olarak kullanın.
Üretken bir yapay zeka platformu seçin. Üretken yapay zeka modellerini dağıtmak ve yönetmek için Azure OpenAI veya Azure AI Studio kullanın. Azure OpenAI Hizmeti, OpenAI modellerine özel ağ ve içerik filtreleme erişimi sağlar. Azure AI Studio , yapay zeka iş yükleri geliştirmeye yönelik kod öncelikli bir platform sunar. Uygulama oluşturmak ve dağıtmak için yerleşik araçlara sahiptir. Ayrıca büyük bir model kataloğu, istem akışı, ince ayar, içerik güvenliği filtreleri ve daha fazlasını içerir.
Uygun yapay zeka işlem türünü seçin. Azure AI Studio, istem akışı, dizin oluşturma ve Visual Studio Code'u (Web veya Masaüstü) stüdyoda açma işlemleri için işlem örnekleri gerektirir. Performans ve bütçe gereksinimlerinize göre bir işlem türü seçin.
Bir düzenleyici seçin. Üretken yapay zeka için popüler düzenleyiciler semantik çekirdek, istem akışı ve LangChain'tir. Anlam Çekirdeği, Azure hizmetleriyle tümleştirilir. LangChain, Microsoft ekosistemi dışında genişletilebilirlik sağlar.
Bir arama ve bilgi alma mekanizması seçin. Üretken yapay zeka modellerini temel almak için, ilgili veri alımı için bir dizin veya vektör veritabanı oluşturun. Çeşitli veri kaynaklarından geleneksel ve vektör dizinleri oluşturmak, veri öbekleme uygulamak ve birden çok sorgu türü kullanmak için Azure AI Search'i kullanın. Verileriniz yapılandırılmış veritabanlarında bulunuyorsa Azure Cosmos DB, PostgreSQL için Azure Veritabanı ve Redis için Azure Cache kullanmayı göz önünde bulundurun.
Verileri topraklama için bir veri kaynağı seçin. Görüntüler, ses, video veya büyük veri kümeleri için topraklama verilerini Azure Blob Depolama depolayın. Alternatif olarak, Azure AI Search tarafından desteklenen veritabanlarını veya vektör veritabanlarını kullanın.
bir işlem platformu seçin. İş yükünüz için doğru platformu seçmek için Azure işlem karar ağacını kullanın.
Yaratıcı olmayan yapay zeka iş yükleri için kaynakları seçme
Yaratıcı olmayan yapay zeka iş yükleri, makine öğrenmesi görevlerini desteklemek için platformlara, işlem kaynaklarına, veri kaynaklarına ve veri işleme araçlarına dayanır. Doğru kaynakları seçtiğinizde hem önceden oluşturulmuş hem de özel çözümler kullanarak yapay zeka iş yükleri oluşturabilirsiniz.
Yaratıcı olmayan bir yapay zeka iş yükünde (1) iş yükü verileri alır. (2) İsteğe bağlı bir veri işleme mekanizması, gelen verileri ayıklar veya işler. (3) Yapay zeka modeli uç noktası verileri analiz eder. (4) Veriler, yapay zeka modellerinin eğitilip ince ayarlanmasını destekler. Yaratıcı olmayan yapay zeka iş yükleri oluşturmak için aşağıdaki önerileri çerçeve olarak kullanın.
Yaratıcı olmayan bir yapay zeka platformu seçin. Azure yapay zeka hizmetleri , veri bilimi becerileri gerektirmeyen önceden oluşturulmuş yapay zeka modelleri sunar. Doğru Azure yapay zeka hizmetini seçme konusunda rehberlik için bkz . Azure yapay zeka hizmetleri teknolojisi seçme. Azure Machine Learning , kendi verilerinizle makine öğrenmesi modelleri oluşturmak ve bu modelleri yapay zeka iş yüklerinde kullanmak için bir platform sağlar.
Uygun yapay zeka işlemini seçin. Azure Machine Learning'de bir işi çalıştırmak veya uç noktayı barındırmak için işlem kaynaklarına ihtiyacınız vardır. Performans ve bütçe gereksinimlerinizi karşılayan işlem türünü kullanın. Azure yapay zeka hizmetleri işlem kaynakları gerektirmez.
Bir veri kaynağı seçin. Azure Machine Learning için, eğitim verilerinizi barındırmak için desteklenen veri kaynaklarından birini kullanın. Azure AI hizmetleri için çoğu hizmette ince ayar verileri gerekmez ve Azure AI Özel Görüntü İşleme gibi bazı hizmetler, yönetilen veri depolama çözümüne yerel dosyaları yükleme seçeneği sunar.
bir işlem platformu seçin. Doğru iş yükü platformunu seçmek için Azure işlem karar ağacını kullanın.
Bir veri işleme hizmeti seçin (isteğe bağlı). Azure İşlevleri, sunucusuz bir seçenek sağladığından yaygın bir veri işleme seçeneğidir. Azure Event Grid ayrıca bir veri işleme işlem hattını başlatmaya yönelik yaygın bir tetikleyici mekanizmasıdır.