Auswählen eines Diensts zum Trainieren eines Machine Learning-Modells
Es stehen viele Dienste zum Trainieren von Machine Learning-Modellen zur Verfügung. Welchen Dienst Sie verwenden, hängt z. B. von folgenden Faktoren ab:
- Welche Art von Modell Sie trainieren müssen
- Ob Sie die volle Kontrolle über das Modelltraining benötigen
- Wie viel Zeit Sie in das Modelltraining investieren möchten
- Welche Dienste Ihre Organisation bereits verwendet
- Mit welcher Programmiersprache Sie vertraut sind
In Azure stehen mehrere Dienste zum Trainieren von Machine Learning-Modellen zur Verfügung. Wenn Sie sich dafür entscheiden, mit Azure zu arbeiten, anstatt ein Modell auf einem lokalen Gerät zu trainieren, haben Sie Zugriff auf skalierbare und kostengünstige Compute-Instanzen. Sie können die Compute-Instanz z. B. nur für die Zeit verwenden, die zum Trainieren eines Modells benötigt wird, und müssen nicht für die Compute-Instanz bezahlen, wenn sie nicht genutzt wird.
Einige häufig verwendete Dienste in Azure zum Trainieren von Machine Learning-Modellen sind:
| Symbol | Beschreibung |
|---|---|
 |
Azure Machine Learning bietet Ihnen viele verschiedene Optionen zum Trainieren und Verwalten Ihrer Machine Learning-Modelle. Sie können Studio für eine benutzeroberflächenbasierte Umgebung auswählen oder Ihre Machine Learning-Workloads mit dem Python SDK oder der CLI verwalten, um eine Code-First-Umgebung zu erhalten. Weitere Informationen zu Azure Machine Learning. |
 |
Azure Databricks ist eine Datenanalyseplattform, die Sie für Datentechnik und Data Science verwenden können. Azure Databricks verwendet verteilte Spark-Compute-Instanzen, um Ihre Daten effizient zu verarbeiten. Sie können Modelle mit Azure Databricks trainieren und verwalten oder Azure Databricks in andere Dienste wie Azure Machine Learning integrieren. Erfahren Sie mehr über Azure Databricks. |
 |
Azure Synapse Analytics ist ein Analysedienst, der verteiltes Compute für Big Data-Analysen verwendet. Azure Synapse Analytics ist in erster Linie für die Erfassung und Transformation von Daten im großen Stil konzipiert, umfasst aber auch mehrere Machine Learning-Funktionen. Zum Trainieren von Modellen mit Azure Synapse Analytics können Sie Modelle in Spark-Pools mit MLlib trainieren oder das integrierte Feature für automatisiertes maschinelles Lernen aus Azure Machine Learning verwenden. Erfahren Sie mehr über Azure Synapse Analytics und insbesondere über die Machine Learning-Funktionen in Azure Synapse Analytics. |
 |
Azure KI Services ist eine Sammlung vordefinierter Machine Learning-Modelle, die Sie für gängige Machine Learning-Aufgaben wie die Objekterkennung in Bildern verwenden können. Die Modelle werden als Anwendungsprogrammierschnittstelle (API) angeboten, sodass Sie ein Modell problemlos in Ihre Anwendung integrieren können. Einige Modelle können mit Ihren eigenen Trainingsdaten angepasst werden, was Zeit und Ressourcen spart, um ein neues Modell von Grund auf neu zu trainieren. Erfahren Sie mehr über Azure KI Services. |
Verstehen der Unterschiede zwischen Diensten
Die Auswahl eines Diensts, der zum Trainieren Ihrer Machine Learning-Modelle verwendet werden soll, kann eine Herausforderung darstellen. Häufig würden mehrere Dienste zu Ihrem Szenario passen. Es gibt einige allgemeine Richtlinien, die Ihnen helfen:
- Verwenden Sie Azure KI Services immer dann, wenn eines der anpassbaren vordefinierten Modelle Ihren Anforderungen entspricht, um Zeit und Aufwand zu sparen.
- Verwenden Sie Azure Synapse Analytics oder Azure Databricks, wenn Sie alle datenbezogenen Projekte (Datentechnik und Data Science) im selben Dienst beibehalten möchten.
- Verwenden Sie Azure Synapse Analytics oder Azure Databricks, wenn Sie verteilte Compute-Instanzen für die Arbeit mit großen Datasets benötigen (Datasets sind groß, wenn Kapazitätseinschränkungen bei Standardcomputes auftreten). Sie müssen mit PySpark arbeiten, um das verteilte Compute zu verwenden.
- Verwenden Sie Azure Machine Learning oder Azure Databricks, wenn Sie die vollständige Kontrolle über das Modelltraining und die -verwaltung haben möchten.
- Verwenden Sie Azure Machine Learning, wenn Python Ihre bevorzugte Programmiersprache ist.
- Verwenden Sie Azure Machine Learning, wenn Sie eine intuitive Benutzeroberfläche zum Verwalten Ihres Machine Learning-Lebenszyklus benötigen.
Wichtig
Es gibt viele Faktoren, die Ihre Wahl des Diensts beeinflussen können. Letztendlich liegt es an Ihnen und Ihrem Unternehmen, zu entscheiden, was am besten passt. Dies sind lediglich Richtlinien, die Ihnen helfen sollen, zwischen den Diensten zu unterscheiden.