AI Studio oder Azure Machine Learning: Wofür sollte ich mich entscheiden?
Dieser Artikel hilft Ihnen zu verstehen, wann es jeweils besser ist, Azure AI Studio oder Azure Machine Learning zu verwenden. Auch wenn sich die Funktionen der beiden Plattformen teilweise überschneiden, bietet dieser Artikel einen Überblick über ihre Möglichkeiten und die für jede Plattform am besten geeigneten Entwicklungsszenarien.
Azure KI Studio
Azure KI Studio ist eine einheitliche Plattform für die Entwicklung und Bereitstellung von generativen KI-Apps und Azure KI-APIs. Es umfasst eine Vielzahl von KI-Funktionen, eine vereinfachte Benutzeroberfläche und Code-First-Oberflächen und bietet eine zentrale Anlaufstelle für die Erstellung, das Testen, die Bereitstellung und die Verwaltung intelligenter Lösungen.
Ist AI Studio für Sie richtig?
Azure AI Studio wurde entwickelt, um Entwickelnden und wissenschaftlichen Datenfachleuten dabei zu helfen, generative KI-Anwendungen mit der Leistungsfähigkeit der umfassenden KI-Angebote von Azure effizient zu erstellen und bereitzustellen.
Wichtige Funktionen von Azure KI Studio
- Erstellen Sie gemeinsam im Team. Ihr KI Studio-Hub bietet Sicherheit auf Unternehmensebene und eine kollaborative Umgebung mit gemeinsam genutzten Ressourcen und Verbindungen zu vorab trainierten Modellen, Daten und Rechenleistung.
- Organisieren Sie Ihre Arbeit. Ihr KI Studio-Projekt hilft Ihnen, den Status zu speichern, sodass Sie den Weg von Ihrer ersten Idee bis zum ersten Prototyp und später zur ersten Produktionsbereitstellung durchlaufen können. Laden Sie auch andere Personen ein, mit Ihnen zusammenzuarbeiten.
- Verwenden Sie Ihre bevorzugte Entwicklungsplattform und Frameworks, einschließlich GitHub, Visual Studio Code, LangChain, Semantic Kernel, AutoGen und mehr.
- Entdecken und vergleichen Sie aus über 1.600 Modellen.
- Bereitstellung von „Modellen als Service“ (Models-as-a-Service, MaaS) über serverlose APIs und gehostete Feinabstimmung.
- Integrieren Sie mehrere Modelle, Datenquellen und Modalitäten.
- Erstellen Sie eine erweiterte Generation der Abfrageerstellung (Retrieval Augmented Generation, RAG) unter Verwendung Ihrer geschützten Unternehmensdaten, ohne dass eine Feinabstimmung erforderlich ist.
- Koordinieren und verwalten Sie Prompts für Engineering- und LLM-Flows (Large Language Model).
- Entwerfen und schützen Sie Apps und APIs mit konfigurierbaren Filtern und Steuerelementen.
- Bewerten Sie Modellantworten mit integrierten und benutzerdefinierten Auswertungsflows.
- Stellen Sie KI-Innovationen in der verwalteten Infrastruktur von Azure mit kontinuierlicher Überwachung und Governance in allen Umgebungen bereit.
- Kontinuierliche Überwachung der eingesetzten Apps auf Sicherheit, Qualität und Token-Verbrauch in der Produktion.
Azure Machine Learning Studio
Azure Machine Learning Studio ist eine verwaltete End-to-End-Machine Learning-Plattform zum Erstellen, Optimieren, Bereitstellen und Betreiben von Azure Machine Learning-Modellen, die verantwortungsbewusst im großen Stil ausgeführt werden.
Ist Azure Machine Learning Studio das Richtige für Sie?
Azure Machine Learning wurde für Machine Learning-Ingenieurinnen und -Ingenieure sowie wissenschaftliche Datenfachleute entwickelt.
Hauptfunktionen von Azure Machine Learning Studio
- Erstellen und trainieren Sie das Azure Machine Learning-Modell mit jeder Art von Compute, einschließlich Spark und GPUs, für große KI-Workloads im Cloudmaßstab.
- Führen Sie automatisiertes Azure Machine Learning (AutoML) und Drag-and-Drop-UI für Azure Machine Learning mit Low-Code aus.
- Implementieren Sie End-to-End-Azure Machine Learning-Ops und wiederholbare Azure Machine Learning-Pipelines.
- Verwenden Sie das Dashboard für verantwortungsvolle KI, um Trends zu erkennen und Fehler zu analysieren.
- Orchestrieren und verwalten Sie das Design von Prompts und LLM-Abläufe.
- Stellen Sie Modelle mit REST-API-Endpunkten, Echtzeit- und Batch-Rückschlüssen bereit.
Detaillierter Funktionsvergleich
In der folgenden Tabelle werden die wichtigsten Funktionen von Azure KI Studio und Azure Machine Learning Studio verglichen:
| Kategorie | Funktion | Azure KI Studio | Azure Machine Learning Studio |
|---|---|---|---|
| Datenspeicher | Speicherlösung | No | Ja, mit der Integration von Clouddateisystem, OneLake in Fabric-Integration und Azure Storage-Konten. |
| Datenaufbereitung | Datenintegration in Speicher | Ja, mit Blob-Speicher, Onelake, Azure Data Lake Storage (ADLS) unterstützt im Index. | Ja, durch Kopieren und Einbinden mit Azure Storage-Konten. |
| Data Wrangling | No | Ja, im Code. | |
| Datenbeschriftung | No | Ja, mit Objektidentifikation, Instanzsegmentierung, semantischer Segmentierung, Erkennung benannter Entitäten (Named Entity Recognition, NER) in Texten sowie Integration in 3P-Bezeichnungstools und -dienste. | |
| Featurespeicher | No | Ja | |
| Datenherkunft und Beschriftungen | No | Ja | |
| Spark-Workloads. | No | Ja | |
| Daten-Orchestrierungsworkloads | No | Nein, obwohl angefügte Spark- und Azure Machine Learning-Pipelines verfügbar sind. | |
| Modellentwicklung und -training | Code-First-Tool für eine wissenschaftliche Fachkraft für Daten. | Ja, mit VS Code. | Ja, mit integrierten Notebooks, Jupyter, VS Code, R Studio. |
| Languages | Ausschließlich Python. | Python (vollständige Erfahrung), R, Scala, Java (eingeschränkte Erfahrung). | |
| Nachverfolgen, Überwachen und Bewerten von Experimenten | Ja, aber nur für die Ausführung eines Prompt-Flows. | Ja, für alle Ausführungstypen. | |
| ML-Pipelineerstellungstools | No | Ja, mit dem Designer, dem Tool für die visuelle Dokumenterstellung und dem SDK/CLI/API. | |
| AutoML | No | Ja, für Regression, Klassifizierung, Zeitreihenprognose, maschinelles Sehen und Verarbeitung natürlicher Sprache (Natural Language Processing, NLP). | |
| Computeziele für das Training | Serverlos nur für MaaS-Berechnungsinstanzen und serverlose Runtime für Prompt-Flow. | Spark-Cluster, Azure Machine Learning-Cluster (MPI) und Azure Arc serverlos. | |
| Trainieren und Optimieren großer Sprachmodelle (Large Language Models, LLMs) und Foundation-Modelle | Beschränkt auf den Modellkatalog. | Ja, mit MPI-basierten verteilten Schulungen und dem Modellkatalog. | |
| Bewerten und Debuggen von Azure Machine Learning-Modellen für Fairness und Erklärbarkeit. | No | Ja, mit dem integrierten Dashboard für verantwortungsvolle KI. | |
| Generative KI/LLM | LLM-Katalog | Ja, über den Modellkatalog, LLMs aus Azure OpenAI, Hugging Face und Meta. | Ja, über Modellkatalog-LLMs aus Azure OpenAI, Hugging Face und Meta. |
| RAG (Unternehmens-Chat) | Ja | Ja, über den Prompt-Flow. | |
| LLM-Inhaltsfilterung | Ja, durch KI-Inhaltssicherheit. | Ja, durch KI-Inhaltssicherheit. | |
| prompt flow | Ja | Ja | |
| Leaderboard/Benchmarks | Ja | No | |
| Eingabeaufforderungsbeispiele | Ja | No | |
| LLM-Workflow/LLMOps/MLOps | Playground | Ja | No |
| Experimentier- und Testprompts | Ja, über Playground, Modellkarte und Prompt-Flow. | Ja, über die Modellkarte und den Prompt-Flow. | |
| Entwicklerworkflow | Ja, über den Prompt-Flow, die Integration in LangChain und den semantischen Kernel. | Ja, über den Prompt-Flow, die Integration in LangChain und den semantischen Kernel. | |
| Bereitstellen von Workflows als Endpunkt | Ja, über den Prompt-Flow. | Ja, über den Prompt-Flow. | |
| Flow-Versionskontrolle | Ja, über den Prompt-Flow. | Ja, über den Prompt-Flow. | |
| Integrierte Auswertung | Ja, über den Prompt-Flow. | Ja, über den Prompt-Flow. | |
| Git-Integration | Ja | Ja | |
| CI/CD | Ja, durch Code-first-Oberflächen im Prompt-Flow, integriert in Azure DevOps und GitHub. | Ja, durch Code-first-Oberflächen im Prompt-Flow, integriert in Azure DevOps und GitHub. | |
| Modellregistrierung | No | Ja, über MIFlow und Register. | |
| Organisationsmodellregistrierung | No | Ja, durch Register. | |
| Modellimplementierung | Bereitstellungsoptionen für die Echtzeitbereitstellung | Onlineendpunkte von MaaS (Models as a Service) für den MaaP-Katalog. | No |
| Bereitstellungsoptionen für die Batchverarbeitung | No | Batchendpunkte, Unterstützung für verwaltetes und nicht verwaltetes Azure Arc. | |
| Unternehmenssicherheit | AI Hub | Ja, Verwalten und Steuern von KI-Ressourcen. | Ja, sowohl für klassisches Azure Machine Learning als auch für LLMs. |
| Privates Netzwerk | Ja | Ja | |
| Verhindern von Datenverlusten | Ja | Ja | |
| Datenklassifizierung | No | Ja, über Purview. |