Partager via

Comparer les produits et les technologies de Machine Learning Microsoft

Découvrez les produits et technologies de Machine Learning de Microsoft. Comparez les options pour déterminer la manière la plus efficace de créer, déployer et gérer vos solutions de Machine Learning.

Produits de Machine Learning basés sur le cloud

Les options suivantes sont disponibles pour le machine learning dans le cloud Azure.

Option de cloud Descriptif Fonctionnalités et utilisations
Azure Machine Learning Plateforme gérée pour le Machine Learning Utilisez un modèle préentraîné, ou entraînez, déployez et gérez des modèles sur Azure à l’aide de Python et d’une interface CLI. Machine Learning inclut des fonctionnalités telles que le Machine Learning automatisé (AutoML), le catalogue de modèles et l’intégration MLflow. Vous pouvez suivre et comprendre les performances du modèle pendant la phase de production.
Microsoft Fabric Plateforme d'analytique unifiée Gérez l’ensemble du cycle de vie des données, de l’ingestion aux insights, à l’aide d’une plateforme complète qui intègre différents services et outils pour les professionnels des données, notamment les ingénieurs données, les scientifiques des données et les analystes métier.
Services d'IA Azure Fonctionnalités d’IA prédéfinies implémentées par le biais d’API REST et de kits sdk Créez des applications intelligentes à l’aide de langages de programmation standard. Ces langages appellent des API qui fournissent une inférence. Bien que vous ayez idéalement une expertise en machine learning et en science des données, les équipes d’ingénierie qui n’ont pas ces compétences peuvent également adopter cette plateforme.
Services d'apprentissage automatique pour Azure SQL Managed Instance Machine Learning dans la base de données pour SQL Entraîner et déployer des modèles à l’intérieur de SQL Managed Instance.
Machine Learning dans Azure Synapse Analytics Service d’analyse qui utilise le Machine Learning Entraîner et déployer des modèles à l’intérieur d’Azure Synapse Analytics.
Azure Databricks Plateforme d’analytique basée sur Apache Spark Générez et déployez des modèles et des flux de travail de données en intégrant des bibliothèques Machine Learning open source et la plateforme MLflow .

Produit Machine Learning local

L’option suivante est disponible pour le Machine Learning local. Les serveurs locaux peuvent également s’exécuter sur une machine virtuelle dans le cloud.

Produit local Descriptif Fonctionnalités et utilisations
Services de Machine Learning de SQL Server Machine Learning dans la base de données pour SQL Entraîner et déployer des modèles à l’intérieur de SQL Server à l’aide de scripts Python et R.

Plateformes et outils de développement

Les plateformes et outils de développement suivants sont disponibles pour le Machine Learning.

Plateforme ou outil Descriptif Fonctionnalités et utilisations
Portail Azure AI Foundry Environnement de développement unifié pour les scénarios IA et Machine Learning Développez, évaluez et déployez des modèles et applications IA. Le portail Azure AI Foundry facilite la collaboration et la gestion des projets dans différents services Azure AI. Vous pouvez même l’utiliser comme environnement commun entre plusieurs équipes de charge de travail.
Azure Machine Learning Studio Outil collaboratif, glisser-déplacer pour le Machine Learning Créez, testez et déployez des solutions d’analyse prédictive à l’aide d’un codage minimal. Machine Learning Studio prend en charge un large éventail d’algorithmes d’apprentissage automatique et de modèles IA. Il fournit des outils pour la préparation des données, l’apprentissage du modèle et l’évaluation.
Azure Data Science Virtual Machine Image de machine virtuelle qui inclut des outils de science des données préinstallés Utilisez un environnement préconfiguré avec des outils tels que Jupyter, R et Python pour développer des solutions Machine Learning sur vos propres machines virtuelles.
Microsoft ML.NET Kit de développement logiciel (SDK) Machine Learning multiplateforme open source Développez des solutions Machine Learning pour les applications .NET.
IA pour les applications Windows Moteur d’inférence pour les modèles entraînés sur les appareils Windows Intègre des fonctionnalités d’IA dans des applications Windows à l’aide de composants tels que Windows Machine Learning (WinML) et Direct Machine Learning (DirectML) pour l’évaluation locale et en temps réel des modèles IA et l’accélération matérielle.
SynapseML Infrastructure de Machine Learning et de microservices open source et distribuée pour Apache Spark Créez et déployez des applications de Machine Learning évolutives pour Scala et Python.
Extension Machine Learning pour Azure Data Studio Extension Machine Learning open source et multiplateforme pour Azure Data Studio Gérez les packages, importez des modèles Machine Learning, effectuez des prédictions et créez des notebooks pour exécuter des expériences pour vos bases de données SQL.

Azure Machine Learning

Machine Learning est un service cloud entièrement managé que vous pouvez utiliser pour entraîner, déployer et gérer des modèles Machine Learning à grande échelle. Il prend entièrement en charge les technologies open source, ce qui vous permet d’utiliser des dizaines de milliers de packages Python open source, tels que TensorFlow, PyTorch et scikit-learn.

Des outils enrichis, tels que des instances de calcul, des notebooks Jupyter ou l’extension Azure Machine Learning pour Visual Studio Code (VS Code), sont également disponibles. L’extension Machine Learning pour VS Code est une extension gratuite qui vous permet de gérer vos ressources et modèles de flux de travail et de déploiements d’entraînement dans VS Code. Machine Learning inclut des fonctionnalités qui automatisent la génération et le réglage de modèles avec facilité, efficacité et précision.

Utilisez le kit de développement logiciel (SDK) Python, des blocs-notes Jupyter, R et l’interface de commande pour l’apprentissage automatique à l’échelle du cloud. Si vous souhaitez une option à code faible ou sans code, utilisez le Concepteur dans le studio. Le concepteur vous aide à créer, tester et déployer rapidement des modèles à l’aide d’algorithmes de Machine Learning prédéfinis. En outre, vous pouvez intégrer Machine Learning à Azure DevOps et GitHub Actions pour l’intégration continue et le déploiement continu (CI/CD) des modèles Machine Learning.

Fonctionnalité Machine Learning Descriptif
Type Solution de Machine Learning basée sur le cloud
Langues prises en charge -Python
- R
Phases de Machine Learning - Préparation des données
- Entraînement du modèle
-Déploiement
- MLOps ou gestion
- IA responsable
Principaux avantages - Options de création d’interface web comprenant le concepteur web code-first (SDK), ainsi que le studio et l’éditeur glisser-déplacer.
- Gestion centralisée des scripts et de l’historique des exécutions, ce qui facilite la comparaison des versions de modèle
- Déploiement et gestion faciles des modèles sur les appareils cloud ou edge
- Formation, déploiement et gestion évolutifs des modèles Machine Learning
Considérations Nécessite une certaine connaissance du modèle de gestion des modèles.

Services d'IA Azure

Les services IA sont une suite complète d’API prédéfinies qui aident les développeurs et les organisations à créer rapidement des applications intelligentes prêtes pour le marché. Ces services fournissent des API prêtes à l’emploi et des SDK personnalisables qui permettent à vos applications d’afficher, d’entendre, de parler, de comprendre et d’interpréter les besoins des utilisateurs avec un code minimal. Ces fonctionnalités rendent inutiles les jeux de données ou l’expertise en science des données pour entraîner des modèles. Vous pouvez ajouter des fonctionnalités intelligentes à vos applications, telles que :

Utilisez les services IA pour développer des applications sur des appareils et des plateformes. Les API s’améliorent en permanence et sont faciles à configurer.

Fonctionnalité des services d'IA Descriptif
Type API permettant de créer des applications intelligentes
Langues prises en charge Diverses options en fonction du service Les options standard sont C#, Java, JavaScript et Python.
Phases de Machine Learning Déploiement
Principaux avantages - Créer des applications intelligentes à l’aide de modèles préentraînés disponibles via l’API REST et le SDK
- Utiliser différents modèles pour les méthodes de communication naturelle qui ont des capacités de vision, de parole, de langage et de prise de décision
- Aucune ou minimale expertise en machine learning ou en science des données n’est requise
- Les API sont évolutives et flexibles
- Vous pouvez choisir parmi différents modèles

Machine Learning SQL

Machine Learning SQL ajoute l’analyse statistique, la visualisation des données et l’analytique prédictive dans Python et R pour les données relationnelles locales et dans le cloud. Plateformes et outils de développement actuels :

Utilisez Machine Learning SQL lorsque vous souhaitez bénéficier d’une IA intégrée et d’une analytique prédictive des données relationnelles dans SQL.

Fonctionnalité de Machine Learning SQL Descriptif
Type Analyses prédictives locales pour les données relationnelles
Langues prises en charge -Python
- R
-SQL
Phases de Machine Learning - Préparation des données
- Entraînement du modèle
-Déploiement
Principaux avantages Encapsulez la logique prédictive dans une fonction de base de données. Ce processus facilite l’intégration de la logique de la couche Données.
Considérations Suppose que vous utilisez une base de données SQL comme niveau de données pour votre application.

Azure AI Foundry

Azure AI Foundry est une plateforme unifiée que vous pouvez utiliser pour développer et déployer des applications IA génératives et des API Azure AI de manière responsable. Il fournit un ensemble complet de fonctionnalités d’IA, d’une interface utilisateur simplifiée et d’expériences code-first. Ces fonctionnalités constituent une plateforme complète pour la création, le test, le déploiement et la gestion de solutions intelligentes.

Azure AI Foundry aide les développeurs et les scientifiques des données à créer et déployer efficacement des applications IA génératives à l’aide d’offres Azure AI. Il met l’accent sur le développement de l’IA responsable et incorpore les principes d’équité, de transparence et de responsabilité. La plateforme comprend des outils pour la détection de biais, l’interprétabilité et la préservation de la confidentialité du Machine Learning. Ces outils permettent de s’assurer que les modèles IA sont puissants, fiables et conformes aux exigences réglementaires.

Dans le cadre de l’écosystème Microsoft Azure, Azure AI Foundry fournit des outils et services robustes qui répondent aux différents besoins en IA et en machine learning, notamment le traitement du langage naturel et la vision par ordinateur. Son intégration avec d’autres services Azure permet de garantir l’extensibilité et les performances, ce qui en fait une option idéale pour les entreprises.

Le portail Azure AI Foundry favorise la collaboration et l’innovation en fournissant des fonctionnalités telles que les espaces de travail partagés, le contrôle de version et les environnements de développement intégrés. En intégrant des frameworks et outils open source populaires, Azure AI Foundry accélère le processus de développement afin que les organisations puissent stimuler l’innovation et rester à l’avance dans le paysage concurrentiel de l’IA.

Fonctionnalité Azure AI Foundry Descriptif
Type Environnement de développement unifié pour l’IA
Langues prises en charge Python et C#
Phases de Machine Learning - Préparation des données
- Déploiement (Modèles en tant que service (MaaS))
Principaux avantages - Facilite la collaboration et la gestion des projets dans différents services IA
- Fournit des outils complets pour la création, l’entraînement et le déploiement de modèles IA
- Met l’accent sur l’IA responsable en fournissant des outils pour la détection de biais, l’interprétabilité et la préservation de la confidentialité du Machine Learning
- Prend en charge l’intégration à des frameworks et outils open source populaires

Azure Machine Learning Studio

Azure Machine Learning Studio est un outil collaboratif, glisser-déplacer pour créer, tester et déployer des solutions d’analyse prédictive sur vos données. Il est conçu pour les scientifiques des données, les ingénieurs données et les analystes métier. Machine Learning Studio prend en charge un large éventail d’algorithmes et d’outils de Machine Learning pour la préparation des données, l’entraînement de modèle et l’évaluation. Il fournit également une interface visuelle pour connecter des jeux de données et des modules sur un canevas interactif.

Fonctionnalité de Machine Learning Studio Descriptif
Type Outil collaboratif, glisser-déplacer pour le Machine Learning
Langues prises en charge -Python
- R
-Scala
- Java (expérience limitée)
Phases de Machine Learning - Préparation des données
- Entraînement du modèle
-Déploiement
Principaux avantages - Ne nécessite aucun codage pour créer des modèles Machine Learning
- Prend en charge un large éventail d’algorithmes et d’outils de Machine Learning pour la préparation des données, l’entraînement du modèle et l’évaluation
- Fournit une interface visuelle pour connecter des jeux de données et des modules sur un canevas interactif
- Prend en charge l’intégration à Machine Learning pour les tâches de Machine Learning avancées

Pour une comparaison complète de Machine Learning Studio et du portail Azure AI Foundry, consultez le portail Azure AI Foundry ou Machine Learning Studio. Le tableau suivant récapitule les principales différences entre elles :

Catégorie Fonctionnalité Portail Azure AI Foundry Studio Machine Learning
Stockage de données Solution de stockage Non Oui (système de fichiers cloud, OneLake, Stockage Azure)
Préparation des données Intégration des données Oui (Stockage Blob Azure, OneLake, Stockage Azure Data Lake) Oui (copier et monter à l’aide de comptes de stockage Azure)
Développement Outils code-first Oui (VS Code) Oui (Notebooks, Jupyter, VS Code, R Studio)
Langues Langues prises en charge Python uniquement Python, R, Scala, Java
Formation AutoML (Apprentissage automatique automatisé) Non Oui (régression, classification, prévision, CV, NLP)
Cibles de calcul Calcul d’entraînement Non Clusters Spark, clusters d'apprentissage automatique, Azure Arc
IA générative Catalogue de modèles de langage Oui (Azure OpenAI, Hugging Face, Meta) Oui (Azure OpenAI, Hugging Face, Meta)
Déploiement Service en temps réel et par lots Temps réel (MaaS) Points de terminaison Batch, Azure Arc
Gouvernance Outils d’IA responsables Non Oui (tableau de bord IA responsable)

Microsoft Fabric

Fabric est une plateforme d’analytique unifiée de bout en bout qui rassemble tous les outils de données et d’analytique dont les organisations ont besoin. Il intègre différents services et outils pour les professionnels des données, notamment les ingénieurs données, les scientifiques des données et les analystes métier. Fabric offre des fonctionnalités d’intégration de données, d’ingénierie des données, d’entreposage de données, de science des données, d’analytique en temps réel et de décisionnel.

Utilisez Fabric quand vous avez besoin d’une plateforme complète pour gérer l’ensemble du cycle de vie des données, de l’ingestion aux insights.

Fonctionnalité de Fabric Descriptif
Type Plateforme d'analytique unifiée
Langues prises en charge -Python
- R
-SQL
-Scala
Phases de Machine Learning - Préparation des données
- Entraînement du modèle
-Déploiement
- Analytique en temps réel
Principaux avantages - Plateforme unifiée pour tous les besoins de données et d’analytique
- Intégration à d’autres services Microsoft
- Scalable et flexible
- Prend en charge un large éventail d’outils de données et d’analytique
- Facilite la collaboration entre différents rôles dans une organisation
- Gestion du cycle de vie des données de bout en bout, de l’ingestion aux insights
- Fonctionnalités d’analytique en temps réel et d’intelligence décisionnelle
- Prise en charge de la formation et du déploiement du modèle Machine Learning
- Intégration à des infrastructures et outils de Machine Learning populaires
- Outils pour la préparation des données et l’ingénierie des fonctionnalités
- Inférence et analyse de l'apprentissage automatique en temps réel

Machine virtuelle DSVM (Data Science Virtual Machine) Azure

Azure Data Science Virtual Machine est un environnement de machine virtuelle personnalisé sur le cloud Microsoft Azure. Il est disponible dans les versions pour Windows et Linux Ubuntu. L’environnement est spécifiquement destiné aux tâches de science des données et au développement de solutions Machine Learning. Il dispose de nombreuses fonctions populaires de science des données, de frameworks Machine Learning et d’autres outils préinstallés et préconfigurés afin que vous puissiez commencer à créer des applications intelligentes pour l’analytique avancée.

Utilisez la machine virtuelle Science des données lorsque vous devez exécuter ou héberger vos travaux sur un nœud unique ou si vous devez effectuer un scale-up à distance de votre traitement sur un seul ordinateur.

Fonctionnalité Azure Data Science Virtual Machine Descriptif
Type Environnement de machine virtuelle personnalisé pour la science des données
Principaux avantages - Durée réduite d’installation, de gestion et de résolution des problèmes liés aux outils et infrastructures de science des données
- Inclut les dernières versions des outils et infrastructures couramment utilisés
- Inclut des fonctionnalités d’unités de traitement graphique et d’images hautement évolutives pour la modélisation intensive des données
Considérations - La machine virtuelle n’est pas accessible lorsqu’elle est hors connexion.
- L’exécution d’une machine virtuelle entraîne des frais Azure. Vous devez donc vous assurer qu’elle s’exécute uniquement quand vous en avez besoin.

Azure Databricks

Azure Databricks est une plateforme d’analytique basée sur Apache Spark optimisée pour la plateforme cloud Microsoft Azure. Azure Databricks est intégré à Azure pour fournir une configuration en un clic, des flux de travail simplifiés et un espace de travail interactif qui permet la collaboration entre les scientifiques des données, les ingénieurs données et les analystes métier. Utilisez du code Python, R, Scala et SQL dans des notebooks basés sur le web pour interroger, visualiser et modéliser des données.

Utilisez Azure Databricks lorsque vous souhaitez collaborer sur la création de solutions Machine Learning sur Apache Spark.

Fonctionnalité Azure Databricks Descriptif
Type Plateforme d’analytique basée sur Apache Spark
Langues prises en charge -Python
- R
-Scala
-SQL
Phases de Machine Learning - Préparation des données
- Prétraitement des données
- Entraînement du modèle
- Réglage du modèle
- Inférence du modèle
- Gestion
-Déploiement
Principaux avantages - Configuration en un clic et flux de travail simplifiés pour faciliter l’utilisation
- Espace de travail interactif pour la collaboration
- Scalabilité pour gérer des jeux de données volumineux et des calculs intensifs
- Prise en charge de différentes langues et intégration avec les outils populaires

ML.NET

ML.NET est une infrastructure machine learning multiplateforme open source. Utilisez ML.NET pour créer des solutions Machine Learning personnalisées et les intégrer à vos applications .NET. ML.NET fournit différents niveaux d’interopérabilité avec des frameworks populaires tels que TensorFlow et ONNX pour l’apprentissage et le scoring de modèles Machine Learning et Deep Learning. Pour les tâches gourmandes en ressources, comme l'entraînement de modèles de classification d'images, vous pouvez utiliser Azure pour entraîner vos modèles dans le cloud.

Utilisez ML.NET quand vous avez besoin d’intégrer des solutions de machine learning à vos applications .NET. Choisissez entre l’API pour une expérience orientée code et Model Builder ou CLI pour une expérience avec peu de code.

fonctionnalité ML.NET Descriptif
Type Infrastructure open source multiplateforme pour le développement d’applications Machine Learning personnalisées avec .NET
Langues prises en charge - C#
- F#
Phases de Machine Learning - Préparation des données
-Formation
-Déploiement
Principaux avantages - Aucune exigence pour la science des données ou l’expérience Machine Learning
- Langages et outils familiers tels que Visual Studio et VS Code
- Déploie l’application où .NET s’exécute
- Conception extensible et évolutive
- Expérience locale
- AutoML pour les tâches de Machine Learning automatisées

IA pour les applications Windows

Utilisez l’IA pour les applications Windows pour intégrer des fonctionnalités d’IA dans les applications Windows Utiliser les fonctionnalités WinML et DirectML pour fournir une évaluation locale et en temps réel de l’évaluation du modèle IA et de l’accélération matérielle. WinML permet aux développeurs d’intégrer des modèles Machine Learning entraînés directement dans leurs applications Windows. Il facilite l’évaluation locale et en temps réel des modèles et permet de puissantes fonctionnalités d’IA sans avoir besoin de connectivité cloud.

DirectML est une plateforme hautement performante et accélérée par le matériel pour l’exécution de modèles Machine Learning. Il utilise les API DirectX pour fournir des performances optimisées sur divers matériels, notamment des GPU et des accélérateurs IA.

Utilisez l’IA pour les applications Windows lorsque vous souhaitez utiliser des modèles Machine Learning entraînés au sein de vos applications Windows.

Fonctionnalité d’IA pour les applications Windows Descriptif
Type Moteur d'inférence pour modèles formés sur appareils Windows
Langues prises en charge - C#/C++
- JavaScript
Phases de Machine Learning - Préparation des données
- Entraînement du modèle
-Déploiement
Principaux avantages - Évaluation locale et en temps réel du modèle IA
- Traitement d’IA hautes performances sur différents types de matériel, notamment les processeurs, les GPU et les accélérateurs IA
- Comportement et performances cohérents sur le matériel Windows

SynapseML

SynapseML, anciennement MMLSpark, est une bibliothèque open source qui simplifie la création de pipelines machine learning massivement évolutifs. SynapseML fournit des API pour différentes tâches de Machine Learning, telles que l’analyse de texte, la vision et la détection d’anomalies. SynapseML repose sur le framework d’informatique distribuée Apache Spark et partage la même API que les bibliothèques SparkML et MLlib. Vous pouvez donc incorporer des modèles SynapseML dans des flux de travail Apache Spark existants.

SynapseML ajoute de nombreux outils d’apprentissage profond et de science des données à l’écosystème Spark, y compris l’intégration de pipelines Spark Machine Learning avec Light Gradient Boosting Machine (LightGBM),l’interprétable local Model-Agnostic explications et OpenCV. Vous pouvez utiliser ces outils pour créer des modèles prédictifs puissants sur n’importe quel cluster Spark, tel qu’Azure Databricks ou Azure Cosmos DB.

SynapseML fournit également des fonctionnalités de mise en réseau à l’écosystème Spark. Avec le projet HTTP sur Spark, les utilisateurs peuvent intégrer n'importe quel service web à leurs modèles SparkML. En outre, SynapseML fournit des outils faciles à utiliser pour orchestrer les services IA à grande échelle. Pour le déploiement de niveau production, le projet Spark Service permet un débit élevé et des services web de latence inférieure à 100 secondes soutenus par votre cluster Spark.

Fonctionnalité SynapseML Descriptif
Type Infrastructure de Machine Learning et de microservices open source et distribuée pour Apache Spark
Langues prises en charge -Scala
-Java
-Python
- R
-.NET
Phases de Machine Learning - Préparation des données
- Entraînement du modèle
-Déploiement
Principaux avantages - Scalabilité
- Diffusion et distribution compatibles
- Tolérance de panne élevée
Considérations Apache Spark requis

Contributeurs

Cet article est géré par Microsoft. Il a été écrit à l’origine par les contributeurs suivants.

Principaux auteurs :

Pour afficher les profils LinkedIn non publics, connectez-vous à LinkedIn.

Étapes suivantes

  • Last updated on