Freigeben über

Vergleichen Sie Machine Learning-Produkte und -Technologien von Microsoft

In diesem Artikel erfahren Sie mehr über die Machine Learning-Produkte und Technologien von Microsoft. Vergleichen Sie die Optionen, um zu entscheiden, wie Sie Ihre Machine Learning-Lösungen optimal erstellen, bereitstellen und verwalten.

Cloudbasierte Machine Learning-Produkte

In der Azure-Cloud stehen die folgenden Optionen für maschinelles Lernen zur Verfügung.

Cloudoption Beschreibung Merkmale und Verwendungen
Azure Machine Learning Verwaltete Plattform für maschinelles Lernen Verwenden Sie ein vortrainiertes Modell oder trainieren, bereitstellen und verwalten Sie Modelle in Azure mithilfe von Python und einer CLI. Machine Learning umfasst Features wie automatisiertes Maschinelles Lernen (AutoML), Modellkatalog und MLflow-Integration. Sie können die Modellleistung während der Produktionsphase nachverfolgen und verstehen.
Microsoft Fabric Einheitliche Analyseplattform Verwalten Sie den gesamten Datenlebenszyklus, von der Erfassung bis hin zu Erkenntnissen, mithilfe einer umfassenden Plattform, die verschiedene Dienste und Tools für Datenexperten integriert, einschließlich Dateningenieuren, Data Scientists und Business Analysts.
Azure AI-Dienste Vordefinierte KI-Funktionen, die über REST-APIs und SDKs implementiert werden Erstellen Sie intelligente Anwendungen mithilfe von Standardprogrammiersprachen. Diese Sprachen rufen APIs auf, die Schlussfolgerungen bereitstellen. Obwohl Sie im Idealfall über maschinelles Lernen und Data Science-Know-how verfügen sollten, können Ingenieurteams, die diese Fähigkeiten nicht besitzen, auch diese Plattform übernehmen.
Azure SQL Managed Instance Machine Learning Services Datenbankinternes maschinelles Lernen für SQL Trainieren und Bereitstellen von Modellen in sql Managed Instance.
Maschinelles Lernen in Azure Synapse Analytics Analysedienst, der maschinelles Lernen verwendet Trainieren und stellen Sie mModelle in Azure Synapse Analytics bereit.
Azure Databricks Apache Spark-basierte Analyseplattform Erstellen und bereitstellen Sie Modelle und Datenworkflows, indem Sie in Open-Source-Lernbibliotheken und die MLflow-Plattform integriert werden.

Lokales Machine Learning-Produkt

Die folgende Option ist für das lokale Maschinelle Lernen verfügbar. Lokale Server können auch auf einem virtuellen Computer (VM) in der Cloud ausgeführt werden.

Lokales Produkt Beschreibung Merkmale und Verwendungen
SQL Server Machine Learning Services Datenbankinternes maschinelles Lernen für SQL Trainieren und Bereitstellen von Modellen in SQL Server mithilfe von Python- und R-Skripts.

Entwicklungsplattformen und Tools

Für maschinelles Lernen stehen die folgenden Entwicklungsplattformen und -tools zur Verfügung.

Plattform oder Tool Beschreibung Merkmale und Verwendungen
Azure AI Foundry-Portal Einheitliche Entwicklungsumgebung für KI- und Machine Learning-Szenarien Entwickeln, Bewerten und Bereitstellen von KI-Modellen und -Anwendungen Das Azure AI Foundry-Portal erleichtert die Zusammenarbeit und das Projektmanagement in verschiedenen Azure AI-Diensten. Sie können es sogar als gemeinsame Umgebung für Teammitglieder mit verschiedenen Arbeitslasten verwenden.
Azure Machine Learning Studio Kollaboratives, Drag-and-Drop-Tool für maschinelles Lernen Erstellen, Testen und Bereitstellen von Predictive Analytics-Lösungen mit minimaler Codierung. Machine Learning Studio unterstützt eine breite Palette von Maschinellen Lernalgorithmen und KI-Modellen. Es bietet Tools für die Datenvorbereitung, Modellschulung und Auswertung.
Virtueller Azure Data Science-Computer VM-Image mit vorinstallierten Data Science-Tools Verwenden Sie eine vorkonfigurierte Umgebung mit Tools wie Jupyter, R und Python, um Machine Learning-Lösungen auf Ihren eigenen virtuellen Computern zu entwickeln.
Microsoft ML.NET Plattformübergreifendes Machine Learning SDK auf Open-Source-Basis Entwickeln Sie Machine Learning-Lösungen für .NET-Anwendungen.
KI für Windows-Apps Ableitungsmodul für trainierte Modelle auf Windows-Geräten Integriert KI-Funktionen in Windows-Anwendungen mithilfe von Komponenten wie Windows Machine Learning (WinML) und Direct Machine Learning (DirectML) für lokale, Echtzeit-KI-Modellauswertung und Hardwarebeschleunigung.
SynapseML Verteiltes Open-Source-Framework für maschinelles Lernen und Microservices für Apache Spark Hiermit können Sie skalierbare Machine Learning-Anwendungen für Scala und Python erstellen und bereitstellen.
Machine Learning-Erweiterung für Azure Data Studio Plattformübergreifende Open-Source-Machine Learning-Erweiterung für Azure Data Studio Verwalten Sie Pakete, importieren Sie Machine Learning-Modelle, erstellen Sie Vorhersagen, und erstellen Sie Notizbücher zum Ausführen von Experimenten für Ihre SQL-Datenbanken.

Azure Machine Learning

Machine Learning ist ein vollständig verwalteter Clouddienst, mit dem Sie machine Learning-Modelle im großen Maßstab trainieren, bereitstellen und verwalten können. Es unterstützt vollständig Open-Source-Technologien, sodass Sie Zehntausende von Open-Source-Python-Paketen wie TensorFlow, PyTorch und Scikit-Learn verwenden können.

Umfangreiche Tools wie Computeinstanzen, Jupyter-Notizbücher oder die Azure Machine Learning für Visual Studio Code (VS Code)-Erweiterung sind ebenfalls verfügbar. Die Erweiterung Machine Learning für VS Code ist eine kostenlose Erweiterung, mit der Sie Ihre Ressourcen und Modellschulungsworkflows und Bereitstellungen in VS Code verwalten können. Machine Learning umfasst Features, die die Modellgenerierung und Optimierung mit Leichtigkeit, Effizienz und Genauigkeit automatisieren.

Verwenden Sie das Python SDK, Jupyter-Notebooks, R und die CLI für maschinelles Lernen in der Cloud. Wenn Sie eine Low-Code- oder No-Code-Option verwenden möchten, verwenden Sie Designer im Studio. Designer hilft Ihnen beim einfachen und schnellen Erstellen, Testen und Bereitstellen von Modellen mithilfe vordefinierter Machine Learning-Algorithmen. Darüber hinaus können Sie Maschinelles Lernen in Azure DevOps und GitHub-Aktionen integrieren, um kontinuierliche Integration und kontinuierliche Bereitstellung (CI/CD) von Machine Learning-Modellen zu ermöglichen.

Machine Learning-Funktion Beschreibung
Typ Cloudbasierte Lösung für maschinelles Lernen
Unterstützte Sprachen -Python
- R
Phasen des maschinellen Lernens -Datenaufbereitung
- Modellschulung
-Einsatz
- MLOps oder Management
- Verantwortungsvolle KI
Wichtige Vorteile - Optionen für Code First (SDK) und Studio und Designer mit einer Drag-Drop-Webschnittstelle zum Schreiben
- Zentrale Verwaltung von Skripts und Ausführungsverlauf, wodurch es einfach ist, Modellversionen zu vergleichen
– Einfache Bereitstellung und Verwaltung von Modellen für die Cloud- oder Edgegeräte
– Skalierbare Schulung, Bereitstellung und Verwaltung von Machine Learning-Modellen
Betrachtungen Erfordert einige Kenntnisse mit dem Modellverwaltungsmodell.

Azure KI Services

KI-Dienste sind eine umfassende Suite vordefinierter APIs, die Entwicklern und Organisationen helfen, intelligente, marktbereite Anwendungen schnell zu erstellen. Diese Dienste bieten sofort einsatzbereite und anpassbare APIs und SDKs, mit denen Ihre Apps Benutzeranforderungen mit minimalem Code anzeigen, hören, sprechen, verstehen und interpretieren können. Diese Funktionen machen Datasets oder Data-Wissenschaftsexpertise unnötig, um Modelle zu trainieren. Sie können Ihren Apps intelligente Features hinzufügen, z. B.:

Verwenden Sie KI-Dienste, um Apps geräte- und plattformübergreifend zu entwickeln. Die APIs verbessern kontinuierlich und sind einfach einzurichten.

Funktion der KI-Dienste Beschreibung
Typ APIs für die Entwicklung intelligenter Anwendungen
Unterstützte Sprachen Verschiedene Optionen je nach Dienst. Die Standardoptionen sind C#, Java, JavaScript und Python.
Phasen des maschinellen Lernens Bereitstellung
Wichtige Vorteile – Erstellen intelligenter Anwendungen mithilfe von vortrainierten Modellen, die über REST-API und SDK verfügbar sind
- Einsatz verschiedener Modelle für natürliche Kommunikationsmethoden mit visuellen, sprachlichen und Entscheidungsfähigkeiten.
- Es ist kein oder minimales maschinelles Lernen oder Data Science-Know-how erforderlich.
- Die APIs sind skalierbar und flexibel
- Sie können aus verschiedenen Modellen wählen

Maschinelles Lernen mit SQL

SQL Machine Learning fügt statistische Analysen, Datenvisualisierung und Predictive Analytics in Python und R für relationale Daten hinzu, sowohl lokal als auch in der Cloud. Aktuelle Plattformen und Tools:

Verwenden Sie Maschinelles Lernen mit SQL, wenn Sie integrierte KI und Predictive Analytics von relationalen Daten in SQL benötigen.

SQL-Feature für maschinelles Lernen Beschreibung
Typ Vorausschauende Analysen vor Ort für relationale Daten
Unterstützte Sprachen -Python
- R
-SQL
Phasen des maschinellen Lernens -Datenaufbereitung
- Modellschulung
-Einsatz
Wichtige Vorteile Kapselung der prädiktiven Logik in einer Datenbankfunktion. Dieser Prozess erleichtert die Einbeziehung von Datenebenenlogik.
Betrachtungen Es wird davon ausgegangen, dass Sie eine SQL-Datenbank als Datenebene für Ihre Anwendung verwenden.

Azure AI Foundry

Azure AI Foundry ist eine einheitliche Plattform, mit der Sie generative KI-Anwendungen und Azure AI-APIs verantwortungsbewusst entwickeln und bereitstellen können. Es bietet eine umfassende Reihe von KI-Funktionen, eine vereinfachte Benutzeroberfläche und Code-first-Erfahrungen. Diese Features machen es zu einer umfassenden Plattform zum Erstellen, Testen, Bereitstellen und Verwalten intelligenter Lösungen.

Azure AI Foundry hilft Entwicklern und Datenwissenschaftlern, generative KI-Anwendungen mithilfe von Azure AI-Angeboten effizient zu erstellen und bereitzustellen. Es betont verantwortungsvolle KI-Entwicklung und bettet Prinzipien von Fairness, Transparenz und Rechenschaftspflicht ein. Die Plattform umfasst Tools zur Erkennung von Verzerrungen, zur Interpretierbarkeit und zum datenschutzfreundlichen maschinellen Lernen. Mit diesen Tools können Sie sicherstellen, dass KI-Modelle leistungsfähiger, vertrauenswürdiger und gesetzlicher Vorschriften entsprechen.

Im Rahmen des Microsoft Azure-Ökosystems bietet Azure AI Foundry robuste Tools und Dienste, die auf verschiedene KI- und maschinelle Lernanforderungen ausgerichtet sind, einschließlich natürlicher Sprachverarbeitung und Computervision. Die Integration in andere Azure-Dienste trägt dazu bei, eine nahtlose Skalierbarkeit und Leistung zu gewährleisten, was es für Unternehmen zu einer idealen Option macht.

Das Azure AI Foundry-Portal fördert die Zusammenarbeit und Innovation, indem Features wie freigegebene Arbeitsbereiche, Versionssteuerung und integrierte Entwicklungsumgebungen bereitgestellt werden. Durch die Integration beliebter Open-Source-Frameworks und -Tools beschleunigt Azure AI Foundry den Entwicklungsprozess, sodass Organisationen Innovationen fördern und in der wettbewerbsfähigen KI-Landschaft voraus bleiben können.

Azure AI Foundry-Funktion Beschreibung
Typ Einheitliche Entwicklungsumgebung für KI
Unterstützte Sprachen Python und C#
Phasen des maschinellen Lernens -Datenaufbereitung
- Bereitstellung (Modelle als Dienst (MaaS))
Wichtige Vorteile - Erleichtert die Zusammenarbeit und das Projektmanagement in verschiedenen KI-Diensten
– Bietet umfassende Tools zum Erstellen, Trainieren und Bereitstellen von KI-Modellen
- betont verantwortungsvolle KI durch Bereitstellung von Tools für die Erkennung von Verzerrungen, die Interpretierbarkeit und datenschutzfreundliches maschinelles Lernen.
- Unterstützt die Integration in gängige Open-Source-Frameworks und -Tools

Azure Machine Learning Studio

Azure Machine Learning Studio ist ein gemeinsames Tool zum Erstellen, Testen und Bereitstellen von Predictive Analytics-Lösungen für Ihre Daten. Es wurde für Data Scientists, Data Engineers und Business Analysts entwickelt. Machine Learning Studio unterstützt eine vielzahl von Machine Learning-Algorithmen und Tools für die Datenvorbereitung, Modellschulung und -auswertung. Außerdem wird eine visuelle Schnittstelle zum Verbinden von Datasets und Modulen auf einem interaktiven Zeichenbereich bereitgestellt.

Machine-Learning-Studio-Funktion Beschreibung
Typ Kollaboratives, Drag-and-Drop-Tool für maschinelles Lernen
Unterstützte Sprachen -Python
- R
-Scala
- Java (eingeschränkte Erfahrung)
Phasen des maschinellen Lernens -Datenaufbereitung
- Modellschulung
-Einsatz
Wichtige Vorteile - Erfordert keine Codierung zum Erstellen von Machine Learning-Modellen
- Unterstützt eine vielzahl von Machine Learning-Algorithmen und Tools für die Datenvorbereitung, Modellschulung und -auswertung
– Stellt eine visuelle Schnittstelle zum Verbinden von Datasets und Modulen auf einem interaktiven Zeichenbereich bereit.
– Unterstützt die Integration in Machine Learning für erweiterte Machine Learning-Aufgaben

Einen umfassenden Vergleich des Machine Learning-Studios und des Azure AI Foundry-Portals finden Sie im Azure AI Foundry-Portal oder im Machine Learning Studio. In der folgenden Tabelle sind die wichtigsten Unterschiede zwischen ihnen zusammengefasst:

Kategorie Merkmal Azure AI Foundry-Portal Maschinelles Lernen Studio
Datenspeicher Speicherlösung Nein Ja (Clouddateisystem, OneLake, Azure Storage)
Datenaufbereitung Datenintegration Ja (Azure Blob Storage, OneLake, Azure Data Lake Storage) Ja (Kopieren und Bereitstellen mithilfe von Azure-Speicherkonten)
Entwicklung Code-First-Tools Ja (VS Code) Ja (Notizbücher, Jupyter, VS Code, R Studio)
Sprachen Unterstützte Sprachen Nur Python Python, R, Scala, Java
Ausbildung Automatisiertes maschinelles Lernen (AutoML) Nein Ja (Regression, Klassifizierung, Prognose, CV, NLP)
Berechnen von Zielen Training-Compute Nein Spark-Cluster, Machine-Learning-Cluster, Azure Arc
Generative KI Sprachmodellkatalog Ja (Azure OpenAI, Hugging Face, Meta) Ja (Azure OpenAI, Hugging Face, Meta)
Einsatz Echtzeit- und Batchbereitstellung Echtzeit (MaaS) Batch-Endpunkte, Azure Arc
Governance Verantwortungsvolle KI-Tools Nein Ja (Verantwortliches KI-Dashboard)

Microsoft Fabric

Fabric ist eine end-to-End-, einheitliche Analyseplattform, die alle benötigten Daten- und Analysetools vereint. Es integriert verschiedene Dienste und Tools, um eine nahtlose Erfahrung für Datenexperten zu bieten, einschließlich Dateningenieuren, Data Scientists und Business Analysts. Fabric bietet Funktionen für Datenintegration, Datentechnik, Data Warehouse, Data Science, Echtzeitanalysen und Business Intelligence.

Verwenden Sie Fabric, wenn Sie eine umfassende Plattform benötigen, um Ihren gesamten Datenlebenszyklus von der Erfassung bis hin zu Erkenntnissen zu verwalten.

Fabric-Funktion Beschreibung
Typ Einheitliche Analyseplattform
Unterstützte Sprachen -Python
- R
-SQL
-Scala
Phasen des maschinellen Lernens -Datenaufbereitung
- Modellschulung
-Einsatz
- Echtzeitanalyse
Wichtige Vorteile - Einheitliche Plattform für alle Daten- und Analyseanforderungen
– Nahtlose Integration in andere Microsoft-Dienste
- Skalierbar und flexibel
- Unterstützt eine vielzahl von Daten- und Analysetools
– Erleichtert die Zusammenarbeit in verschiedenen Rollen in einer Organisation
– End-to-End-Datenlebenszyklus-Verwaltung von Aufnahme bis hin zu Erkenntnissen
– Echtzeitanalysen und Business Intelligence-Funktionen
– Schulung und Bereitstellung des Machine Learning-Modells
- Integration in beliebte Machine Learning Frameworks und Tools
- Tools für die Datenvorbereitung und Funktionsentwicklung
– Echtzeit-Machine Learning-Ableitung und Analyse

Virtueller Azure Data Science-Computer

Azure Data Science Virtual Machine ist eine angepasste VM-Umgebung in der Microsoft Azure-Cloud. Es ist in Versionen für Windows und Linux Ubuntu verfügbar. Die Umgebung richtet sich speziell an Data Science-Aufgaben und die Entwicklung von Machine Learning-Lösungen. Es verfügt über viele beliebte Data Science-Funktionen, Machine Learning-Frameworks und andere Tools, die vorinstalliert und vorkonfiguriert sind, damit Sie mit dem Erstellen intelligenter Anwendungen für erweiterte Analysen beginnen können.

Verwenden Sie die Data Science-VM, wenn Sie Ihre Aufträge auf einem einzelnen Knoten ausführen oder hosten müssen oder wenn Sie Die Verarbeitung remote auf einem einzelnen Computer skalieren müssen.

Azure Data Science Virtual Machine-Funktion Beschreibung
Typ Angepasste VM-Umgebung für Data Science
Wichtige Vorteile – Reduzierte Zeit für die Installation, Verwaltung und Problembehandlung von Data Science-Tools und -Frameworks
- Enthält die neuesten Versionen häufig verwendeter Tools und Frameworks.
- Umfasst hoch skalierbare Bild- und Grafikverarbeitungseinheitsfunktionen (GPU) für intensive Datenmodellierung
Betrachtungen – Auf den virtuellen Computer kann nicht zugegriffen werden, wenn er offline ist.
– Das Ausführen eines virtuellen Computers verursacht Azure-Gebühren, daher sollten Sie sicherstellen, dass er nur ausgeführt wird, wenn Sie ihn benötigen.

Azure Databricks

Azure Databricks ist eine Apache Spark-basierte Analyseplattform, die für die Microsoft Azure-Cloudplattform optimiert ist. Azure Databricks ist in Azure integriert, um Ein-Klick-Setup, optimierte Workflows und einen interaktiven Arbeitsbereich bereitzustellen, der die Zusammenarbeit zwischen Data Scientists, Data Engineers und Business Analysts ermöglicht. Verwenden Sie Python-, R-, Scala- und SQL-Code in webbasierten Notebooks zum Abfragen, Visualisieren und Modellieren von Daten.

Verwenden Sie Azure Databricks, wenn Sie an der Erstellung von Machine Learning-Lösungen auf Apache Spark zusammenarbeiten möchten.

Azure Databricks-Funktion Beschreibung
Typ Apache Spark-basierte Analyseplattform
Unterstützte Sprachen -Python
- R
-Scala
-SQL
Phasen des maschinellen Lernens -Datenaufbereitung
- Vorverarbeitung von Daten
- Modellschulung
- Modelloptimierung
- Modellinferenz
-Management
-Einsatz
Wichtige Vorteile – Ein-Klick-Setup und optimierte Workflows für die einfache Verwendung
– Interaktiver Arbeitsbereich für die Zusammenarbeit
– Nahtlose Integration in Azure
- Skalierbarkeit für die Verarbeitung großer Datasets und intensiver Berechnungen
- Unterstützung für verschiedene Sprachen und Integration mit beliebten Tools

ML.NET

ML.NET ist ein plattformübergreifendes Framework für maschinelles Lernen. Verwenden Sie ML.NET, um benutzerdefinierte Machine Learning-Lösungen zu erstellen und sie in Ihre .NET-Anwendungen zu integrieren. ML.NET bietet verschiedene Ebenen der Interoperabilität mit beliebten Frameworks wie TensorFlow und ONNX zum Training und Bewerten von Machine Learning- und Deep Learning-Modellen. Bei ressourcenintensiven Aufgaben wie der Schulung von Bildklassifizierungsmodellen können Sie Azure verwenden, um Ihre Modelle in der Cloud zu trainieren.

Verwenden Sie ML.NET, wenn Sie Lösungen für maschinelles Lernen in Ihre .NET-Anwendungen integrieren möchten. Wählen Sie zwischen der API für eine Code-first-Erfahrung und dem Modell-Generator oder der CLI für eine Low-Code-Erfahrung aus.

ML.NET-Funktion Beschreibung
Typ Open-Source-, plattformübergreifendes Framework für die Entwicklung von benutzerdefinierten Machine Learning-Anwendungen mit .NET
Unterstützte Sprachen - C#
- F#
Phasen des maschinellen Lernens -Datenaufbereitung
-Ausbildung
-Einsatz
Wichtige Vorteile - Keine Anforderung für Data Science oder Machine Learning Erfahrung
– Vertraute Sprachen und Tools wie Visual Studio und VS Code
– Stellt die Anwendung bereit, in der .NET ausgeführt wird.
- Erweiterbares und skalierbares Design
- Lokale Umgebung
- AutoML für automatisierte Machine Learning-Aufgaben

KI für Windows-Apps

Verwenden Sie KI für Windows-Apps , um KI-Funktionen in Windows-Anwendungen zu integrieren. Verwenden Sie WinML- und DirectML-Funktionen, um lokale, Echtzeit-KI-Modellauswertung und Hardwarebeschleunigung bereitzustellen. WinML ermöglicht Es Entwicklern, trainierte Machine Learning-Modelle direkt in ihre Windows-Anwendungen zu integrieren. Sie erleichtert die lokale Echtzeitbewertung von Modellen und ermöglicht leistungsstarke KI-Funktionen, ohne dass Cloudkonnektivität erforderlich ist.

DirectML ist eine leistungsstarke, hardwarebeschleunigte Plattform für die Ausführung von Machine Learning-Modellen. Es verwendet DirectX-APIs, um eine optimierte Leistung auf unterschiedlichen Hardwarekomponenten bereitzustellen, einschließlich GPUs und KI-Beschleunigern.

Verwenden Sie KI für Windows-Apps, wenn Sie trainierte Machine Learning-Modelle in Ihren Windows-Anwendungen verwenden möchten.

KI für Windows-App-Funktion Beschreibung
Typ Inferenz-Engine für trainierte Modelle auf Windows-Geräten
Unterstützte Sprachen - C#/C++
- JavaScript
Phasen des maschinellen Lernens -Datenaufbereitung
- Modellschulung
-Einsatz
Wichtige Vorteile - Lokale KI-Modellauswertung in Echtzeit
- Hochleistungs-KI-Verarbeitung über verschiedene Hardwaretypen hinweg, einschließlich CPUs, GPUs und KI-Beschleuniger
– Einheitliches Verhalten und einheitliche Leistung auf Windows-Hardware

SynapseML

SynapseML, früher als MMLSpark bekannt, ist eine Open-Source-Bibliothek, die die Erstellung massiver skalierbarer Machine Learning-Pipelines vereinfacht. SynapseML stellt APIs für verschiedene Maschinelle Lernaufgaben bereit, z. B. Textanalyse, Vision und Anomalieerkennung. SynapseML basiert auf dem Distributed Computing Framework von Apache Spark und teilt dieselbe API wie die SparkML- und MLlib-Bibliotheken, sodass Sie SynapseML-Modelle nahtlos in vorhandene Apache Spark-Workflows einbetten können.

SynapseML fügt dem Spark-Ökosystem viele Deep Learning- und Data Science-Tools hinzu, einschließlich der nahtlosen Integration von Spark Machine Learning-Pipelines mit Light Gradient Boost Machine (LightGBM),lokale interpretierbare Model-Agnostic Erklärungen und OpenCV. Sie können diese Tools verwenden, um leistungsstarke Predictive-Modelle auf jedem Spark-Cluster zu erstellen, z. B. Azure Databricks oder Azure Cosmos DB.

SynapseML bietet auch Netzwerkfunktionen für das Spark-Ökosystem. Mit dem HTTP-on-Spark-Projekt können Benutzer beliebige Webdienste in ihre SparkML-Modelle einbetten. Darüber hinaus bietet SynapseML einfach zu verwendende Tools zum Orchestrieren von KI-Diensten im großen Maßstab. Für die Bereitstellung auf Produktionsniveau ermöglicht das Spark Serving-Projekt hohe Durchsatz- und Submillisekunden-Latenzwebdienste, die von Ihrem Spark-Cluster unterstützt werden.

SynapseML-Funktion Beschreibung
Typ Verteiltes Open-Source-Framework für maschinelles Lernen und Microservices für Apache Spark
Unterstützte Sprachen -Scala
-Java
-Python
- R
.NET
Phasen des maschinellen Lernens -Datenaufbereitung
- Modellschulung
-Einsatz
Wichtige Vorteile -Skalierbarkeit
- Kompatibel mit Streaming und Bereitstellung
- Hohe Fehlertoleranz
Betrachtungen Erfordert Apache Spark

Beitragende

Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:

Hauptautoren:

Um nicht öffentliche LinkedIn-Profile anzuzeigen, melden Sie sich bei LinkedIn an.

Nächste Schritte