Aprendizaje automático en Azure Databricks

Compile, implemente y administre aplicaciones de aprendizaje automático en Azure Databricks. La plataforma integrada unifica todo el ciclo de vida del aprendizaje automático, desde la preparación de datos hasta la supervisión en producción.

¿Buscas IA generativa y agentes de IA? Consulte Build AI agents on Azure Databricks.

Comenzar

Pruebe un inicio rápido, prepare los datos o cree un modelo de código bajo.

Guía	Description
Introducción: Compilación del primer modelo de aprendizaje automático en Databricks	Cree un modelo de clasificación simple con scikit-learn de un extremo a otro.
AutoML	Cree automáticamente modelos de alta calidad con código mínimo mediante la ingeniería automatizada de características y el ajuste de hiperparámetros.
Carga de datos para aprendizaje automático y aprendizaje profundo	Cargue y prepare los datos para los flujos de trabajo de APRENDIZAJE automático y aprendizaje profundo.
Entrenar modelos de recomendación	Entrene un modelo recomendador con la arquitectura de dos torres o DLRM.

Entrenamiento de modelos clásicos de Machine Learning

Cree modelos de aprendizaje automático con herramientas automatizadas y entornos de desarrollo colaborativo.

Feature	Description
Databricks Runtime para aprendizaje automático	Clústeres preconfigurados con scikit-learn, XGBoost, MLflow y otras bibliotecas de ML, además de compatibilidad con marcos de aprendizaje profundo.
Seguimiento de MLflow	Realice un seguimiento de los experimentos, compare el rendimiento del modelo y administre el ciclo de vida de desarrollo completo del modelo.
Ingeniería de características	Cree, administre y proporcione características con canalizaciones de datos automatizadas y detección de características.
Cuadernos de Databricks	Entorno de desarrollo colaborativo compatible con los flujos de trabajo de Python, R, Scala y SQL para ml.

Entrenamiento de modelos de aprendizaje profundo

Use marcos de proceso administrados e integrados para desarrollar modelos de aprendizaje profundo.

Feature	Description
Entrenamiento distribuido	Ejemplos de aprendizaje profundo distribuido mediante Ray, TorchDistributor y DeepSpeed.
Entorno de ejecución de IA	Proceso de GPU sin servidor para cargas de trabajo de aprendizaje profundo e inferencia personalizadas.
Procedimientos recomendados de DL	Guía para la elección del marco, la carga de datos, el escalado distribuido y la administración del ciclo de vida del modelo de aprendizaje profundo.
PyTorch	Entrenamiento distribuido y de nodo único mediante PyTorch.

Implementación y entrega de modelos

Implemente modelos en producción con puntos de conexión escalables, inferencia en tiempo real y supervisión de nivel empresarial.

Feature	Description
Servicio de modelos	Implemente modelos personalizados y grandes modelos de lenguaje (LLM) como puntos de conexión REST escalables con escalado automático y soporte para GPU.
Puerta de enlace de IA	Controlar y supervisar el acceso a los modelos servidos en Azure Databricks con el seguimiento de uso, el registro de cargas y los controles de seguridad.
Modelos externos	Integre modelos de terceros hospedados fuera de Databricks con una gobernanza y supervisión unificadas.
API del modelo foundation	Acceda a los modelos abiertos de última generación y consulte los hospedados por Databricks.

Supervisión y control de sistemas de aprendizaje automático

Garantizar la calidad del modelo, la integridad de los datos y el cumplimiento de las herramientas completas de supervisión y gobernanza.

Feature	Description
Catálogo de Unity	Controlar datos, características, modelos y funciones con control de acceso unificado, seguimiento de linaje y detección.
Generación de perfiles de datos	Supervise la calidad de los datos, el rendimiento del modelo y el desfase de predicción con alertas automatizadas y análisis de causa principal.
Detección de anomalías	Supervise la actualización e integridad de los datos en el nivel de catálogo.
MLflow para modelos	Realice un seguimiento de los experimentos, administre modelos en el catálogo de Unity, implemente y evalúe modelos de aprendizaje automático a lo largo del ciclo de vida de desarrollo.

Poner en producción flujos de trabajo de aprendizaje automático

Escale las operaciones de aprendizaje automático con flujos de trabajo automatizados, integración de CI/CD y canalizaciones listas para producción.

Feature	Description
Modelos en el catálogo de Unity	Use el registro de modelos en el catálogo de Unity para la gobernanza centralizada y para administrar el ciclo de vida del modelo, incluidas las implementaciones.
Trabajos de Lakeflow	Cree flujos de trabajo automatizados y canalizaciones ETL listas para producción para el procesamiento de datos de ML.
Ray en Databricks	Escale las cargas de trabajo de ML con computación distribuida para el entrenamiento y la inferencia de modelos a gran escala.
Flujos de trabajo de MLOps	Implemente MLOps de un extremo a otro con canalizaciones de entrenamiento, pruebas e implementación automatizadas.