Apprendimento automatico in Azure Databricks

Compilare, distribuire e gestire applicazioni di Machine Learning in Azure Databricks. La piattaforma integrata unifica l'intero ciclo di vita di Machine Learning dalla preparazione dei dati al monitoraggio della produzione.

Cerchi agenti di intelligenza artificiale? Vedi Agenti di compilazione in Azure Databricks.

Get started

Provare una guida introduttiva, creare un codice vibe per un modello e usare i notebook.

Guida	Description
Introduzione: Creare il primo modello di Machine Learning in Databricks	Compilare e distribuire un modello di classificazione semplice con scikit-learn.
Usare il codice Genie per l'analisi scientifica dei dati	Usare un agente per esplorare i dati, compilare modelli ed eseguire l'iterazione.
Notebook di Databricks	Ambiente di sviluppo collaborativo con supporto per Python, R, Scala e SQL.
Concetti: Data science e apprendimento automatico su Azure Databricks	Informazioni sui concetti di base relativi all'analisi scientifica dei dati e all'apprendimento automatico in Azure Databricks.

Eseguire il training di modelli di Machine Learning classici

Sviluppa caratteristiche, crea modelli di apprendimento automatico e monitora gli esperimenti.

Feature	Description
Archivio funzionalità	Eseguire la progettazione delle funzionalità, gestire le funzionalità nel catalogo unity e gestire le funzionalità nell'ambiente di produzione.
Esempi di addestramento del modello	Esplora esempi completi per l'addestramento di modelli classici di apprendimento automatico con librerie più diffuse.
Databricks Runtime per ML	Cluster preconfigurato con scikit-learn, XGBoost, MLflow e altre librerie ml, oltre al supporto per framework di Deep Learning.
Monitoraggio MLflow	Tenere traccia degli esperimenti, confrontare le prestazioni del modello e gestire il ciclo di vita completo dello sviluppo del modello.

Addestrare modelli di deep learning

Usare framework di calcolo gestiti e predefiniti per sviluppare modelli di Deep Learning.

Feature	Description
Ambiente di esecuzione dell'intelligenza artificiale	Usa la potenza di calcolo serverless con GPU per carichi di lavoro personalizzati di addestramento e inferenza del deep learning.
Esempi di training distribuiti	Esplorare esempi di Deep Learning distribuito con Ray, TorchDistributor e DeepSpeed.
Procedure consigliate per il deep learning	Informazioni sulla scelta del framework, sul caricamento dei dati, sul ridimensionamento distribuito e sulla gestione del ciclo di vita del modello di Deep Learning.
Ray on Databricks	Scalare i carichi di lavoro di machine learning con il calcolo distribuito per la formazione e la deduzione di modelli di grandi dimensioni.

Distribuire e gestire modelli

Distribuire i modelli in produzione con endpoint scalabili per l'inferenza in tempo reale, in streaming o in batch.

Feature	Description
Gestione dei modelli	Distribuire modelli personalizzati e LLM come endpoint REST con scalabilità automatica e supporto GPU.
Gateway di intelligenza artificiale	Gestire e monitorare l'accesso ai modelli gestiti su Azure Databricks con il rilevamento dell'utilizzo, la registrazione del payload e i controlli di sicurezza.
Inferenza batch	Distribuisci modelli per l'inferenza batch e in streaming e per la previsione su grandi set di dati.
API del modello di base	Accedere ai modelli di intelligenza artificiale all'avanguardia ed eseguire query ospitati da Databricks.

Monitorare e gestire i sistemi di Machine Learning

Garantire la qualità del modello, l'integrità dei dati e la conformità con strumenti completi di monitoraggio e governance.

Feature	Description
Catalogo Unity	Gestire dati, funzionalità, modelli e funzioni con controllo di accesso unificato, rilevamento della derivazione e individuazione.
MLflow per i modelli	Gestire il ciclo di vita completo di Machine Learning, dagli esperimenti e dai modelli alla valutazione e alla distribuzione.
Rilevamento anomalie	Monitorare l'aggiornamento e la completezza dei dati a livello di catalogo.
Profilatura dei dati	Monitorare la qualità dei dati, le prestazioni del modello e la deviazione della stima con avvisi automatizzati e analisi della causa radice.

Industrializzare i flussi di lavoro ML

Ridimensionare le operazioni di Machine Learning con flussi di lavoro automatizzati, integrazione CI/CD e pipeline pronte per la produzione.

Feature	Description
Modelli nel catalogo Unity	Usare il Registro di sistema dei modelli in Unity Catalog per la governance centralizzata e per gestire il ciclo di vita del modello, incluse le distribuzioni.
Lavori Lakeflow	Creare flussi di lavoro automatizzati per le pipeline di Machine Learning.
Bundle di automazione dichiarativa	Gestisci l'infrastruttura di Azure Databricks come codice per CI/CD, inclusi l'addestramento e la distribuzione di modelli ML.
Flussi di lavoro MLOps	Scopri gli MLOps end-to-end con pipeline automatizzate di addestramento, test e distribuzione.