Megjegyzés
Az oldalhoz való hozzáféréshez engedély szükséges. Megpróbálhat bejelentkezni vagy módosítani a címtárat.
Az oldalhoz való hozzáféréshez engedély szükséges. Megpróbálhatja módosítani a címtárat.
Mesterséges intelligencia és gépi tanulási alkalmazásokat hozhat létre, helyezhet üzembe és kezelhet a Mosaic AI-vel, amely egy integrált platform, amely egyesíti a teljes AI-életciklust az adat-előkészítéstől a termelési monitorozásig.
Az első lépésekhez szükséges oktatóanyagokért tekintse meg a mi- és gépi tanulási oktatóanyagokat.
Generatív AI-alkalmazások létrehozása
Nagyvállalati szintű, generatív AI-alkalmazások, például finomhangolt LLM-ek, AI-ügynökök és lekéréses kiterjesztett generáció fejlesztése és üzembe helyezése.
Tulajdonság | Leírás |
---|---|
AI-játszótér | Generatív AI-modellek prototípusa és tesztelése kód nélküli gyors tervezéssel és paraméterhangolással. |
Agent Bricks | Egyszerű, kód nélküli megközelítés a tartományspecifikus, kiváló minőségű AI-ügynökrendszerek létrehozásához és optimalizálásához a gyakori AI-használati esetekhez. |
Alapmodellek | A modern LLM-eket, köztük a Meta Llama, az Antropikus Claude és az OpenAI GPT-t biztonságos, skálázható API-kkal szolgálja ki. |
Mozaik AI-ügynök keretrendszere | Éles minőségű ügynökök létrehozása és üzembe helyezése, beleértve a RAG-alkalmazásokat és a többügynök-rendszereket a Pythonnal. |
MLflow és GenAI | A Minőség mérése, javítása és monitorozása a GenAI-alkalmazások teljes életciklusa során AI-alapú metrikák és átfogó nyomkövetési megfigyelhetőség használatával. |
Vektorkeresés | A beágyazási vektorok tárolása és lekérdezése automatikus szinkronizálással a tudásbázisba RAG-alkalmazásokhoz. |
Alapmodell finomhangolása | Testre szabhatja az alapmodelleket a saját adataival, hogy optimalizálja az adott alkalmazások teljesítményét. |
Klasszikus gépi tanulási modellek betanítása
Gépi tanulási modellek létrehozása automatizált eszközökkel és együttműködési fejlesztési környezetekkel.
Tulajdonság | Leírás |
---|---|
AutoML | Automatikusan kiváló minőségű modelleket hozhat létre minimális kóddal automatizált funkciófejlesztéssel és hiperparaméter-finomhangolással. |
Databricks Runtime for ML | Előre konfigurált fürtök TensorFlow, PyTorch, Keras és GPU-támogatással a mélytanulás fejlesztéséhez. |
MLflow-nyomkövetés | Kövesse nyomon a kísérleteket, hasonlítsa össze a modell teljesítményét, és kezelje a teljes modellfejlesztési életciklust. |
Funkciófejlesztés | Szolgáltatások létrehozása, kezelése és kiszolgálása automatizált adatfolyamokkal és funkciófelderítéssel. |
Databricks-jegyzetfüzetek | Együttműködési fejlesztési környezet a Python, az R, a Scala és az SQL támogatásával az ML-munkafolyamatokhoz. |
Mélytanulási modellek betanítása
Mélytanulási modellek fejlesztéséhez használjon beépített keretrendszereket.
Tulajdonság | Leírás |
---|---|
Elosztott betanítás | Példák elosztott mélytanulásra a Ray, a TorchDistributor és a DeepSpeed használatával. |
Ajánlott eljárások a Databricks mély tanulásához | Ajánlott eljárások a Databricks mély tanulásához. |
PyTorch | Egycsomópontos és elosztott betanítás a PyTorch használatával. |
TensorFlow | Egycsomópontos és elosztott betanítás a TensorFlow és a TensorBoard használatával. |
Referenciamegoldások | Referenciamegoldások a mély tanuláshoz. |
Modellek üzembe helyezése és kiszolgálása
Modellek üzembe helyezése éles környezetben skálázható végpontokkal, valós idejű következtetéssel és nagyvállalati szintű monitorozással.
Tulajdonság | Leírás |
---|---|
Modellkiszolgálás | Egyéni modellek és LLM-ek skálázható REST-végpontokként való üzembe helyezése automatikus skálázással és GPU-támogatással. |
AI-átjáró | Szabályozhatja és monitorozhatja a generatív AI-modellekhez való hozzáférést a használatkövetés, a hasznos adatok naplózása és a biztonsági vezérlők használatával. |
Külső modellek | A Databricksen kívül üzemeltetett külső modellek integrálása egységes irányítással és monitorozással. |
Alapmodell API-k | A Databricks által üzemeltetett, korszerű nyitott modellek elérése és lekérdezése. |
Ml-rendszerek monitorozása és szabályozása
A modellminőség, az adatintegritás, valamint az átfogó monitorozási és szabályozási eszközöknek való megfelelőség biztosítása.
Tulajdonság | Leírás |
---|---|
Unity-katalógus | Az adatok, szolgáltatások, modellek és függvények szabályozása egységes hozzáférés-vezérléssel, vonalkövetéssel és felderítéssel. |
Lakehouse Felügyelet | Automatikus riasztásokkal és kiváltó okok elemzésével monitorozza az adatminőséget, a modell teljesítményét és az előrejelzés eltérését. |
MLflow modellek számára | A generatív AI-alkalmazások nyomon követése, kiértékelése és monitorozása a fejlesztési életciklus során. |
Gépi tanulási munkafolyamatok gyártásba állítása
A gépi tanulási műveletek méretezése automatizált munkafolyamatokkal, CI/CD integrációval és éles üzemre kész csővezetékekkel.
Feladatok | Leírás |
---|---|
Modellregisztrációs adatbázis | A modellverziók, jóváhagyások és üzembe helyezések kezelése központosított modell életciklus-felügyelettel. |
Lakeflow-feladatok | Automatizált munkafolyamatok és éles üzemre kész ETL-folyamatok létrehozása az ML-adatfeldolgozáshoz. |
Ray on Databricks | Az ml-számítási feladatok skálázása elosztott számítástechnikával a nagy léptékű modell betanításához és következtetéséhez. |
MLOps-munkafolyamatok | Teljes körű MLOps implementálása automatizált betanítási, tesztelési és üzembehelyezési folyamatokkal. |
Git-integráció | A verziókövetési ML-kód és -jegyzetfüzetek zökkenőmentes Git-integrációval és együttműködésen alapuló fejlesztéssel. |