Vergleichen Sie Machine Learning-Produkte und -Technologien von Microsoft

  • Artikel

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.

Cloudoptionen Funktionsbeschreibung Einsatzmöglichkeiten
Azure Machine Learning Verwaltete Plattform für maschinelles Lernen Sie können ein vorab trainiertes Modell verwenden. Alternativ können Sie Modelle in Azure mit Python und der CLI trainieren, bereitstellen und verwalten.
Azure Cognitive Services Vordefinierte KI-Funktionen, die über REST-APIs und SDK implementiert werden Sie können schnell intelligente Anwendungen mithilfe der Standardprogrammiersprachen erstellen. Hierzu sind keine Kenntnisse über Machine Learning und Data Science erforderlich.
Azure SQL Managed Instance Machine Learning Services Datenbankinternes maschinelles Lernen für SQL Trainieren und Bereitstellen von Modellen in Azure SQL Managed Instance
Maschinelles Lernen in Azure Synapse Analytics Analysedienst mit maschinellem Lernen Trainieren und Bereitstellen von Modellen in Azure Synapse Analytics
Maschinelles Lernen und KI mit ONNX in Azure SQL Edge Machine Learning in SQL Server auf IoT Trainieren und Bereitstellen von Modellen in Azure SQL Edge
Azure Databricks Apache Spark-basierte Analyseplattform Sie können Modelle und Datenworkflows mithilfe von Integrationen mit Open-Source-Machine Learning-Bibliotheken und der Plattform MLFlow erstellen und bereitstellen.

Lokale Machine Learning-Produkte

In der lokalen Umgebung stehen für maschinelles Lernen die folgenden Optionen zur Verfügung. Lokale Server können auch auf einem virtuellen Computer in der Cloud ausgeführt werden.

Lokale Optionen Funktionsbeschreibung Einsatzmöglichkeiten
SQL Server Machine Learning Services Datenbankinternes maschinelles Lernen für SQL Trainieren und Bereitstellen von Modellen in SQL Server
Machine Learning Services in SQL Server-Big Data-Clustern Machine Learning in Big Data-Clustern Trainieren und Bereitstellen von Modellen in SQL Server-Big Data-Clustern

Entwicklungsplattformen und-tools

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

Plattformen und Tools Funktionsbeschreibung Einsatzmöglichkeiten
Azure Data Science Virtual Machine Virtueller Computer mit vorinstallierten Data Science-Tools Entwickeln von Lösungen für maschinelles Lernen in einer vorkonfigurierten Umgebung
ML.NET Plattformübergreifendes Machine Learning SDK auf Open-Source-Basis Entwickeln von Lösungen für maschinelles Lernen für .NET-Anwendungen
Windows ML Machine Learning-Plattform unter Windows 10 Auswerten von trainierten Modellen auf einem Windows 10-Gerät
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 von Paketen, Importieren von Machine Learning-Modellen, Treffen von Vorhersagen und Erstellen von Notebooks, um Experimente für SQL-Datenbanken durchzuführen

Azure Machine Learning

Azure Machine Learning ist ein vollständig verwalteter Clouddienst, der zum bedarfsgesteuerten Trainieren, Bereitstellen und Verwalten von Machine Learning-Modellen verwendet wird. Er unterstützt ohne Einschränkungen alle Open Source-Technologien. Sie können dadurch Zehntausende von verschiedenen Open Source-Paketen für Python wie TensorFlow, PyTorch und scikit-learn verwenden. Außerdem stehen umfangreiche Tools zur Verfügung, z. B. Compute-Instanzen, Jupyter-Notebooks oder die Azure Machine Learning-Erweiterung für Visual Studio Code, eine kostenlose Erweiterung zum Verwalten Ihrer Ressourcen, Modelltrainingsworkflows und -bereitstellungen in Visual Studio Code. Azure Machine Learning umfasst Features zum Automatisieren der Modellgenerierung und zum einfachen, effizienten und präzisen Optimieren.

Verwenden Sie das Python SDK, Jupyter-Notebooks, R und die CLI für maschinelles Lernen in der Cloud. Für Optionen mit wenig oder gar keinem Code steht Ihnen im Studio der interaktive Designer von Azure Machine Learning zur Verfügung, den Sie zum schnellen und komfortablen Erstellen, Testen und Bereitstellen von Modellen mit vorgefertigten Machine Learning-Algorithmen verwenden können.

Testen Sie Azure Machine Learning kostenlos.

Element Beschreibung
Typ Cloudbasierte Lösung für maschinelles Lernen
Unterstützte Sprachen Python, R
Phasen beim maschinellen Lernen Modelltraining
Bereitstellung
MLOps/Verwaltung
Hauptvorteile Optionen für Code First (SDK) und Studio und Designer mit einer Drag & Drop-Webschnittstelle zum Schreiben.

Zentrale Verwaltung von Skripts und Ausführungsverlauf zur Vereinfachung des Vergleichs von Modellversionen

Komfortable Bereitstellung und Verwaltung von Modellen in der Cloud oder auf Edgegeräten
Überlegungen Erfordert eine gewisse Erfahrung mit dem Modellverwaltungsmodell.

Azure Cognitive Services

Bei Azure Cognitive Services handelt es sich um eine Gruppe von vordefinierten APIs, mit denen Sie Apps erstellen können, für die natürliche Kommunikationsmethoden genutzt werden. „Vordefiniert“ bedeutet, dass Sie nicht über eine Kenntnisse in Datasets und Data Science verfügen müssen, um Modelle für die Verwendung in Ihren Anwendungen zu trainieren. Das ist bereits erfolgt und als APIs und SDKs gepackt, mit denen Ihre Apps mit nur wenigen Codezeilen sehen, hören, sprechen, verstehen und Benutzeranforderungen interpretieren können. Sie können Ihren Apps auf einfache Weise intelligente Funktionen hinzufügen, beispielsweise:

Verwenden Sie Cognitive Services, um Apps übergreifend für Geräte und Plattformen zu entwickeln. Die APIs werden ständig verbessert und lassen sich einfach einrichten.

Element Beschreibung
Typ APIs für die Entwicklung intelligenter Anwendungen
Unterstützte Sprachen Verschiedene Optionen je nach Dienst. Standardoptionen sind C#, Java, JavaScript und Python.
Phasen beim maschinellen Lernen Bereitstellung
Hauptvorteile Erstellen intelligenter Anwendungen mithilfe von vorab trainierten Modellen, die über REST-API und SDK verfügbar sind.
Verschiedene Modelle für natürliche Kommunikationsmethoden mithilfe von Vision, Speech, Sprache und Entscheidung.
Keine Kenntnisse in maschinellem Lernen oder Data Science erforderlich.

Maschinelles Lernen mit SQL

Maschinelles Lernen mit SQL fügt statistische Analyse, Datenvisualisierung und Predictive Analytics in Python und R für relationale Daten lokal und in der Cloud hinzu. Aktuelle Plattformen und Tools:

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

Element Beschreibung
Typ Lokale Predictive Analytics für relationale Daten
Unterstützte Sprachen Python, R, SQL
Phasen beim maschinellen Lernen Datenaufbereitung
Modelltraining
Bereitstellung
Hauptvorteile Einfache Einbeziehung in datenschichtinterne Logik durch Kapselung von Prognoselogik in einer Datenbankfunktion
Überlegungen Setzt eine SQL-Datenbank als Datenschicht für die Anwendung voraus.

Azure Data Science Virtual Machine

Azure Data Science Virtual Machine ist eine benutzerdefinierte VM-Umgebung in der Microsoft Azure-Cloud. Von der Umgebung sind Versionen für Windows und Linux Ubuntu verfügbar. Die Umgebung ist speziell für Data Science und das Entwickeln von ML-Lösungen konzipiert. Sie umfasst viele vorinstallierte und vorkonfigurierte Data Science-Tools, ML-Frameworks und andere Tools, damit Sie sofort damit beginnen können, intelligente Anwendungen für die erweitere Analyse zu erstellen.

Verwenden Sie die Data Science-VM, wenn Sie Ihre Aufträge auf einem einzelnen Knoten ausführen oder hosten müssen. Eine anderer Grund für die Nutzung kann das Hochskalieren eines einzelnen Computers per Remotezugriff sein.

Element Beschreibung
Typ Angepasste VM-Umgebung für Data Science
Hauptvorteile Geringerer Installations-, Verwaltungs- und Problembehandlungsaufwand für Data Science-Tools und -Frameworks.

Verfügbarkeit der neuesten Versionen aller gängigen Tools und Frameworks

VM-Optionen mit hochgradig skalierbaren Images und GPU-Funktionen für intensive Datenmodellierung
Überlegungen Der virtuelle Computer steht offline nicht zur Verfügung.

Bei der Ausführung eines virtuellen Computers fallen Azure-Gebühren an. Achten Sie daher darauf, dass er nur bei Bedarf ausgeführt wird.

Azure Databricks

Azure Databricks ist eine Apache Spark-basierte Analyseplattform, die für die Microsoft Azure-Clouddienstplattform optimiert ist. Databricks ist in Azure integriert, um Folgendes zu ermöglichen: Einrichtung mit nur einem Klick, optimierte Workflows und einen interaktiven Arbeitsbereich für die Zusammenarbeit von Datenspezialisten, Data Engineers und Business Analysts. Verwenden Sie Python-, R-, Scala- und SQL-Code in webbasierten Notebooks zum Abfragen, Visualisieren und Modellieren von Daten.

Verwenden Sie Databricks, wenn Sie gemeinsam an der Erstellung von Lösungen für maschinelles Lernen auf Apache Spark arbeiten möchten.

Element Beschreibung
Typ Apache Spark-basierte Analyseplattform
Unterstützte Sprachen Python, R, Scala, SQL
Phasen beim maschinellen Lernen Datenaufbereitung
Vorabaufbereitung der Daten
Modelltraining
Modelloptimierung
Modellrückschluss
Verwaltung
Bereitstellung

ML.NET

ML.NET ist ein plattformübergreifendes Open-Source-Machine Learning-Framework. Mit ML.NET können Sie benutzerdefinierte Machine Learning-Lösungen erstellen und mit Ihren .NET-Anwendungen integrieren. ML.NET bietet verschiedene Stufen an Interoperabilität mit beliebten Frameworks wie TensorFlow und ONNX zum Trainieren und Bewerten von Machine Learning- und Deep Learning-Modellen. Für ressourcenintensive Tasks wie das Trainieren von Bildklassifizierungsmodellen können Sie Azure nutzen, 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 einen Code First-Ansatz und einem Model Builder oder der CLI für einen Ansatz mit nur wenig Code aus.

Element Beschreibung
Typ Plattformübergreifendes Open-Source-Framework für die Entwicklung benutzerdefinierter Machine Learning-Anwendungen mit .NET
Unterstützte Sprachen C# und F#
Phasen beim maschinellen Lernen Datenaufbereitung
Training
Bereitstellung
Hauptvorteile Es ist keine Erfahrung mit Data Science und Machine Learning erforderlich.
Sie können vertraute Tools (Visual Studio, Visual Studio Code) und Sprachen verwenden.
Sie können die Bereitstellung dort durchführen, wo .NET ausgeführt wird.
Dieser Ansatz ist erweiterbar.
Skalierbar
Lokale Umgebung

Windows ML

Mit der Windows ML-Engine für Rückschlüsse können Sie trainierte Modelle für maschinelles Lernen in Ihren Anwendungen verwenden, wobei trainierte Modelle lokal auf Windows 10-Geräten ausgewertet werden.

Verwenden Sie Windows ML, wenn Sie trainierte Modelle für maschinelles Lernen innerhalb Ihrer Windows-Anwendungen einsetzen möchten.

Element Beschreibung
Typ Rückschluss-Engine für trainierte Modelle auf Windows-Geräten
Unterstützte Sprachen C#/C++, JavaScript

SynapseML

SynapseML (zuvor als MMLSpark bezeichnet) ist eine Open-Source-Bibliothek, die die Erstellung hochgradig skalierbarer Machine Learning-Pipelines (ML) vereinfacht. SynapseML bietet APIs für eine Vielzahl verschiedener Aufgaben für maschinelles Lernen wie Textanalyse, Bildanalyse, Anomalieerkennung und viele andere. SynapseML basiert auf dem verteilten Computing-Framework von Apache Spark und verfügt über die gleiche API wie die SparkML/MLLib-Bibliothek, sodass Sie SynapseML-Modelle nahtlos in bestehende Apache Spark-Workflows einbetten können.

SynapseML erweitert das Spark-Ökosystem um eine Vielzahl von Deep Learning- und Data Science-Tools, u. a. um die nahtlose Integration von Spark Machine Learning-Pipelines mit Light Gradient Boosting Machine (LightGBM), LIME (Interpretierbarkeit von Modellen) und OpenCV. Mit diesen Tools können Sie leistungsfähige Prognosemodelle für Spark-Cluster erstellen, z. B. Azure Databricks oder Cosmic Spark.

Darüber hinaus bietet SynapseML neue Netzwerkfunktionen für das Spark-Ökosystem. Mit dem HTTP-on-Spark-Projekt können Benutzer beliebige Webdienste in ihre SparkML-Modelle einbetten. Außerdem stellt SynapseML benutzerfreundliche Tools für das Orchestrieren von Azure KI Services im gewünschten Umfang bereit. Für die Bereitstellung in Produktionsumgebungen ermöglicht das Spark Serving-Projekt das Betreiben von Webdienste mit hohem Durchsatz und einer Latenz im Bereich unter Millisekunden, unterstützt durch Ihren Spark-Cluster.

Element Beschreibung
Typ Verteiltes Open-Source-Framework für maschinelles Lernen und Microservices für Apache Spark
Unterstützte Sprachen Scala 2.11, Java, Python 3.5+, R (Beta)
Phasen beim maschinellen Lernen Datenaufbereitung
Modelltraining
Bereitstellung
Hauptvorteile Skalierbarkeit
Kompatibel mit Streaming und Bereitstellung
Fehlertoleranz
Überlegungen Erfordert Apache Spark

Beitragende

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

Hauptautor:

Nächste Schritte

  • Informationen zu allen Entwicklungsprodukten für künstliche Intelligenz (KI), die von Microsoft erhältlich sind, finden Sie hier.
  • Informationen zum Entwickeln von KI- und Machine Learning-Lösungen mit Microsoft finden Sie unter Microsoft Learn-Training.