AI a strojové učení v Databricks

Vytvářejte, nasazujte a spravujte aplikace umělé inteligence a strojového učení pomocí systému Mosaic AI, integrované platformy, která sjednocuje celý životní cyklus umělé inteligence od přípravy dat až po monitorování produkce.

Sadu kurzů, které vám pomůžou začít, najdete v kurzech umělé inteligence a strojového učení.

Tvorba aplikací s generativní AI

Vyvíjejte a nasazujte aplikace generování umělé inteligence na podnikové úrovni, jako jsou jemně vyladěné LLM, agenti AI a generování rozšířeného načítání.

Vlastnost	Popis
Dětské hřiště AI	Prototypování a testování AI generativních modelů bez potřeby programování s využitím inženýrství předloh a ladění parametrů.
Agent Bricks	Jednoduchý přístup bez kódu pro sestavování a optimalizaci vysoce kvalitních systémů agentů AI pro konkrétní doménu pro běžné případy použití AI.
Základní modely	Poskytovat nejmodernější LLM, včetně Meta Llama, Anthropic Claude a OpenAI GPT prostřednictvím zabezpečených a škálovatelných rozhraní API.
Architektura agenta systému Mosaic AI	Sestavte a nasaďte agenty pro produkční kvalitu, včetně aplikací RAG a systémů s více agenty pomocí Pythonu.
MLflow pro GenAI	Měřte, zlepšujte a monitorujte kvalitu v celém životním cyklu aplikace GenAI s využitím metrik poháněných AI a s komplexní sledovatelnou pozorovatelností.
Vektorové vyhledávání	Ukládejte vektory vkládání dotazů s automatickou synchronizací do znalostní báze pro aplikace RAG.
Vyladění základního modelu	Přizpůsobte si základní modely s vlastními daty, abyste optimalizovali výkon pro konkrétní aplikace.

Trénování klasických modelů strojového učení

Vytvářejte modely strojového učení pomocí automatizovaných nástrojů a prostředí pro vývoj pro spolupráci.

Vlastnost	Popis
AutoML	Automatické sestavování vysoce kvalitních modelů s minimálním kódem pomocí automatizovaného inženýrství funkcí a ladění hyperparametrů.
Databricks Runtime pro ML	Předem nakonfigurované clustery s podporou TensorFlow, PyTorch, Keras a GPU pro vývoj hlubokého učení
Sledování MLflow	Sledujte experimenty, porovnejte výkon modelu a spravujte kompletní životní cyklus vývoje modelu.
Příprava funkcí	Vytvářejte, spravujte a obsluhujte funkce pomocí automatizovaných datových kanálů a zjišťování funkcí.
Poznámkové bloky Databricks	Vývojové prostředí pro spolupráci s podporou Pythonu, R, Scaly a SQL pro pracovní postupy ML

Trénování modelů hlubokého učení

K vývoji modelů hlubokého učení použijte integrované architektury.

Vlastnost	Popis
Distribuované trénování	Příklady distribuovaného hlubokého učení pomocí Raye, TorchDistributoru a DeepSpeed
Osvědčené postupy pro hluboké učení v Databricks	Osvědčené postupy pro hluboké učení v Databricks
PyTorch	Jednouzlové a distribuované vzdělávání pomocí PyTorchu.
TensorFlow	Jednouzlové a distribuované učení pomocí TensorFlow a TensorBoardu
Referenční řešení	Referenční řešení pro hluboké učení

Nasazení a obsluha modelů

Nasaďte modely do produkčního prostředí se škálovatelnými koncovými body, odvozováním v reálném čase a monitorováním na podnikové úrovni.

Vlastnost	Popis
Obsluha modelu	Nasaďte vlastní modely a LLM jako škálovatelné koncové body REST s podporou automatického škálování a GPU.
AI Gateway	Řízení a monitorování přístupu k generativním modelům AI pomocí sledování využití, protokolování datové části a bezpečnostních prvků
Externí modely	Integrujte modely třetích stran hostované mimo Databricks s jednotným řízením a monitorováním.
Rozhraní API základního modelu	Přístup k špičkovým otevřeným modelům hostovaným Databricks a jejich dotazování.

Monitorování a řízení systémů ML

Zajistěte kvalitu modelu, integritu dat a dodržování předpisů pomocí komplexních nástrojů pro monitorování a zásady správného řízení.

Vlastnost	Popis
Katalog Unity	Řiďte data, vlastnosti, modely a funkce s jednotným řízením přístupu, sledováním původu a objevováním.
Monitorování Lakehouse	Monitorování kvality dat, výkonu modelu a odchylky předpovědí pomocí automatizovaných výstrah a analýzy původní příčiny
MLflow pro modely	Sledujte, vyhodnocujte a monitorujte generování aplikací umělé inteligence v průběhu životního cyklu vývoje.

Uvedení workflow strojového učení do produkčního provozu

Škálování operací strojového učení pomocí automatizovaných pracovních postupů, integrace CI/CD a kanálů připravených pro produkční prostředí

Úkol	Popis
Registr modelů	Správa verzí, schválení a nasazení modelů pomocí centralizované správy životního cyklu modelu
Úlohy Lakeflow	Vytváření automatizovaných pracovních postupů a kanálů ETL připravených pro produkční prostředí pro zpracování dat ML
Ray na Databricks	Škálování úloh ML pomocí distribuovaných výpočtů pro trénování a odvozování modelů ve velkém měřítku
Pracovní postupy MLOps	Implementujte kompletní MLOps s automatizovanými pipelines pro trénování, testování a nasazení.
Integrace Gitu	Kód a poznámkové bloky ML správy verzí s bezproblémovou integrací Gitu a vývojem pro spolupráci