Comparación de productos y tecnologías de aprendizaje automático de Microsoft

  • Artículo

Más información acerca de los productos y tecnologías de aprendizaje automático de Microsoft. Compare las opciones para ayudarle a elegir cómo compilar, implementar y administrar de forma más eficaz las soluciones de aprendizaje automático.

Productos de aprendizaje automático basados en la nube

Las siguientes opciones están disponibles para el aprendizaje automático en la nube de Azure.

Opciones de nube ¿Qué es? Qué puede hacer con él
Azure Machine Learning Plataforma administrada para el aprendizaje automático Use un modelo entrenado previamente. O bien entrene, implemente y administre modelos en Azure con Python y la CLI
Azure Cognitive Services Funcionalidades de IA preintegradas implementadas mediante API REST y SDK Cree aplicaciones inteligentes con rapidez mediante lenguajes de programación estándares. No se requieren conocimientos sobre aprendizaje automático ni ciencia de datos
Machine Learning Services en Azure SQL Managed Instance Aprendizaje automático en la base de datos para SQL Entrenar e implementar modelos en Azure SQL Managed Instance
Aprendizaje automático en Azure Synapse Analytics Servicio de análisis con aprendizaje automático Entrenar e implementar modelos en Azure Synapse Analytics
Aprendizaje automático e IA con ONNX en Azure SQL Edge Aprendizaje automático en SQL en IoT Entrenar e implementar modelos en Azure SQL Edge
Azure Databricks Plataforma de análisis basada en Apache Spark Cree e implemente modelos y flujos de trabajo de datos con integraciones con bibliotecas de aprendizaje automático de código abierto y la plataforma MLflow.

Productos de aprendizaje automático locales

Las siguientes opciones están disponibles para el aprendizaje automático de forma local. En los servidores locales también se pueden ejecutar en una máquina virtual en la nube.

Opciones en el entorno local ¿Qué es? Qué puede hacer con él
SQL Server Machine Learning Services Aprendizaje automático en la base de datos para SQL Entrenar e implementar modelos en SQL Server
Machine Learning Services en Clústeres de macrodatos de SQL Server Aprendizaje automático en Clústeres de macrodatos Entrenar e implementar modelos en Clústeres de macrodatos de SQL Server

Plataformas y herramientas de desarrollo

Las siguientes plataformas y herramientas de desarrollo están disponibles para el aprendizaje automático.

Plataformas/herramientas ¿Qué es? Qué puede hacer con él
Azure Data Science Virtual Machine Máquina virtual con herramientas de ciencia de datos previamente instaladas Desarrollar soluciones de aprendizaje automático en un entorno preconfigurado
ML.NET SDK de aprendizaje automático multiplataforma de código abierto Desarrollar soluciones de aprendizaje automático para aplicaciones .NET
Windows Machine Learning Plataforma de aprendizaje automático de Windows 10 Evaluar modelos entrenados en un dispositivo Windows 10
SynapseML Marco de código abierto, distribuido, de aprendizaje automático y de microservicios para Apache Spark Crear e implementar aplicaciones de aprendizaje automático escalables para Scala y Python.
Extensión de Machine Learning para Azure Data Studio Extensión de aprendizaje automático multiplataforma de código abierto para Azure Data Studio Administrar paquetes, importar modelos de aprendizaje automático, realizar predicciones y crear cuadernos para ejecutar experimentos para las bases de datos SQL

Azure Machine Learning

Azure Machine Learning es un servicio en la nube totalmente administrado que se utiliza para entrenar, implementar y administrar modelos de aprendizaje automático a escala. Además, es totalmente compatible con las tecnologías de código abierto, por lo que puede utilizar decenas de miles de paquetes de Python de código abierto como TensorFlow, PyTorch y scikit-learn. También hay una variedad de herramientas disponibles, como Compute Instances, cuadernos de Jupyter Notebook o la extensión Azure Machine Learning para Visual Studio Code, una extensión gratuita que permite administrar los recursos, los flujos de trabajo de entrenamiento de modelos y las implementaciones en Visual Studio Code. Azure Machine Learning incluye características que automatizan la generación y el ajuste de modelos con facilidad, eficacia y precisión.

Use el SDK de Python, cuadernos de Jupyter Notebook, R y la CLI para aprendizaje automático a escala de la nube. Para una opción con poco código o sin código, use el diseñador interactivo de Azure Machine Learning en Studio para crear, probar e implementar con facilidad y rapidez modelos mediante algoritmos de aprendizaje automático pregenerados.

Pruebe Azure Machine Learning de forma gratuita.

Elemento Descripción
Type Solución de aprendizaje automático basada en la nube
Idiomas admitidos Python, R
Fases de aprendizaje automático Entrenamiento del modelo
Implementación
MLOps/Administración
Ventajas principales Opciones de creación de interfaz web de diseñador de arrastrar y colocar y Code First (SDK) y Studio.

La administración centralizada de scripts y el historial de ejecución que facilitan la comparación entre las versiones de un modelo.

Fácil implementación y administración de modelos en la nube o en dispositivos perimetrales.
Consideraciones Se necesitan algunos conocimientos sobre el modelo de administración de modelos.

Servicios de Azure AI

Los servicios de Azure AI es un conjunto de API pregeneradas que permiten compilar aplicaciones que usan métodos naturales de comunicación. El término pregenerado sugiere que no es necesario incorporar conjuntos de datos o conocimientos de ciencia de datos para entrenar los modelos que se van a usar en las aplicaciones. Todo esto se realiza automáticamente y se empaqueta en forma de API y SDK que permiten a las aplicaciones ver, escuchar, hablar, comprender e interpretar las necesidades del usuario con solo unas pocas líneas de código. Puede agregar fácilmente características inteligentes a las aplicaciones, como:

Use los servicios de Azure AI para desarrollar aplicaciones en distintos dispositivos y plataformas. Las API siguen mejorando y son fáciles de configurar.

Elemento Descripción
Type API para compilar aplicaciones inteligentes
Idiomas admitidos Distintas opciones dependen del servicio. Los estándar son C#, Java, JavaScript y Python.
Fases de aprendizaje automático Implementación
Ventajas principales Compilación de aplicaciones inteligentes con modelos entrenados previamente disponibles a través de la API de REST y el SDK.
Variedad de modelos para métodos de comunicación naturales con visión, voz, idioma y decisión.
No se requiere aprendizaje automático ni conocimientos de ciencia de datos.

Aprendizaje automático de SQL

El aprendizaje automático de SQL agrega análisis estadísticos, visualización de datos y análisis predictivo en Python y R tanto en el entorno local como en la nube. Las plataformas y herramientas actuales incluyen:

Use el aprendizaje automático de SQL cuando necesite análisis predictivo e inteligencia artificial integrados en datos relacionales en SQL.

Elemento Descripción
Type Análisis predictivo local para datos relacionales
Idiomas admitidos Python, R, SQL
Fases de aprendizaje automático Preparación de los datos
Entrenamiento del modelo
Implementación
Ventajas principales Permite encapsular la lógica predictiva en una función de base de datos, lo cual hace que sea más fácil de incluir en una lógica de capa de datos.
Consideraciones Presupone una base de datos de SQL como la capa de datos de la aplicación.

Máquina virtual de ciencia de datos de Azure

Azure Data Science Virtual Machine es un entorno de máquina virtual personalizado en la nube de Microsoft Azure. Está disponible en las versiones Ubuntu de Linux y Windows. El entorno está diseñado específicamente para hacer ciencia de datos y desarrollar soluciones de aprendizaje automático. Tiene muchas ciencias de datos conocidas, marcos de aprendizaje automático y otras herramientas preinstaladas y preconfiguradas para impulsar la creación de aplicaciones inteligentes para análisis avanzado.

Use la máquina virtual de ciencia de datos cuando necesite ejecutar u hospedar trabajos en un único nodo. O bien si necesita escalar de forma remota el procesamiento en un único equipo.

Elemento Descripción
Type Entorno de máquinas virtuales personalizado para la ciencia de datos
Ventajas principales Menor tiempo de instalación, administración y solución de problemas de las herramientas y plataformas de ciencia de datos.

Se incluyen las versiones más recientes de todas las herramientas y plataformas usadas habitualmente.

Las opciones de máquina virtual incluyen imágenes altamente escalables con capacidades de unidad de procesamiento gráfico (GPU) para el modelado de datos intensivo.
Consideraciones No se puede acceder a la máquina virtual sin conexión.

Si ejecuta una máquina virtual incurrirá en gastos de Azure, por lo que solo deberá ejecutarla en caso de necesidad.

Azure Databricks

Azure Databricks es una plataforma de análisis basada en Apache Spark optimizada para la plataforma de servicios en la nube de Microsoft Azure. Databricks está integrado con Azure para proporcionar una configuración con un solo clic, flujos de trabajo optimizados y un área de trabajo interactiva que permite la colaboración entre científicos de datos, ingenieros de datos y analistas empresariales. Use código de Python, Scala, R y SQL en cuadernos web para consultar, visualizar y modelar datos.

Utilice Databricks cuando desea colaborar creando soluciones de aprendizaje automático en Apache Spark.

Elemento Descripción
Type Plataforma de análisis basada en Apache Spark
Idiomas admitidos Python, R, Scala y SQL
Fases de aprendizaje automático Preparación de los datos
Preprocesamiento de datos
Entrenamiento del modelo
Ajuste de modelos
Inferencia de modelos
Administración
Implementación

ML.NET

ML.NET es un marco de aprendizaje automático de código abierto y multiplataforma. Con ML.NET, puede crear soluciones de aprendizaje automático personalizadas e integrarlas en sus aplicaciones .NET. ML.NET ofrece diferentes niveles de interoperabilidad con marcos populares, como TensorFlow y ONNX, para el entrenamiento y la puntuación de modelos de aprendizaje automático y aprendizaje profundo. Para las tareas con uso intensivo de recursos, como el entrenamiento de modelos de clasificación de imágenes, puede aprovechar Azure para entrenar los modelos en la nube.

Utilice ML.NET cuando desee integrar soluciones de aprendizaje automático en aplicaciones. NET. Elija entre la API para una experiencia de Code First y Model Builder o la CLI para una experiencia de código bajo.

Elemento Descripción
Type Marco multiplataforma de código abierto para desarrollar aplicaciones de aprendizaje automático personalizadas con .NET
Idiomas admitidos C#, F#
Fases de aprendizaje automático Preparación de los datos
Cursos
Implementación
Ventajas principales No se requiere experiencia en ciencia de datos y aprendizaje automático
Usar herramientas y lenguajes conocidos (Visual Studio, Microsoft Visual Studio Code)
Implementación donde se ejecuta .NET
Extensible
Escalable
Experiencia primero local

Windows Machine Learning

El motor de inferencia de Windows Machine Learning permite usar modelos de aprendizaje automático entrenados en sus aplicaciones, de forma que se evalúan los modelos entrenados localmente en dispositivos Windows 10.

Use Windows Machine Learning cuando desee modelos de aprendizaje automático entrenados en sus aplicaciones Windows.

Elemento Descripción
Type Motor de inferencia para modelos entrenados en dispositivos Windows
Idiomas admitidos C#/C++, JavaScript

SynapseML

SynapseML (anteriormente conocido como MMLSpark) es una biblioteca de código abierto que simplifica la creación de canalizaciones de aprendizaje automático escalables de forma masiva. SynapseML proporciona API para diversas tareas de aprendizaje automático diferentes, como análisis de texto, visión, detección de anomalías y muchas otras. SynapseML se basa en el marco de computación distribuida Apache Spark y comparte la misma API que la biblioteca SparkML/MLLib, lo que le permite insertar sin problemas modelos de SynapseML en flujos de trabajo de Apache Spark existentes.

SynapseML agrega muchas herramientas de ciencia de datos y aprendizaje profundo al ecosistema de Spark, incluida la perfecta integración de canalizaciones de Spark Machine Learning con Máquina de potenciación del gradiente ligera (LightGBM), LIME (interpretabilidad de modelos) y OpenCV. Puede usar estas herramientas para crear modelos predictivos eficaces en cualquier clúster de Spark, como Azure Databricks o Cosmic Spark.

SynapseML también aporta capacidades de red al ecosistema de Spark. Con el proyecto HTTP en Spark, los usuarios pueden insertar cualquier servicio web en sus modelos SparkML. Además, SynapseML proporciona herramientas fáciles de usar para orquestar los servicios de Azure AI a gran escala. En el caso de una implementación de nivel de producción, el proyecto de Spark Serving permite un alto rendimiento, servicios web de latencia de submilisegundos y está respaldado por el clúster de Spark.

Elemento Descripción
Type Marco de código abierto, distribuido, de aprendizaje automático y de microservicios para Apache Spark
Idiomas admitidos Scala 2.11, Java, Python 3.5 y versiones posteriores, R (beta)
Fases de aprendizaje automático Preparación de los datos
Entrenamiento del modelo
Implementación
Ventajas principales Escalabilidad
Compatibilidad de streaming y Serving
Tolerancia a errores
Consideraciones Requiere Apache Spark

Colaboradores

Microsoft mantiene este artículo. Originalmente lo escribieron los siguientes colaboradores.

Autor principal:

Pasos siguientes