AI Studio of Azure Machine Learning: Welke ervaring moet ik kiezen?
Dit artikel helpt u te begrijpen wanneer u Azure AI Studio gebruikt ten opzichte van Azure Machine Learning. Hoewel er in elke ervaring enige overlapping is in de functionaliteit, biedt dit artikel een overzicht van hun mogelijkheden en de ontwikkelscenario's die het meest geschikt zijn voor elk platform.
Azure AI Studio
Azure AI Studio is een geïntegreerd platform voor het ontwikkelen en implementeren van generatieve AI-apps en Azure AI-API's op verantwoorde wijze. Het bevat een uitgebreide set AI-mogelijkheden, vereenvoudigde gebruikersinterface en code-first-ervaringen, die een one-stop shop bieden voor het bouwen, testen, implementeren en beheren van intelligente oplossingen.
Is AI Studio geschikt voor u?
Azure AI Studio is ontworpen om ontwikkelaars en gegevenswetenschappers te helpen generatieve AI-toepassingen efficiënt te bouwen en te implementeren met de kracht van de brede AI-aanbiedingen van Azure.
Belangrijkste mogelijkheden van Azure AI Studio
- Bouw samen als één team. Uw AI Studio-hub biedt beveiliging op bedrijfsniveau en een samenwerkingsomgeving met gedeelde resources en verbindingen met vooraf getrainde modellen, gegevens en berekeningen.
- Organiseer uw werk. Met uw AI Studio-project kunt u de status opslaan, zodat u kunt herhalen van het eerste idee tot het eerste prototype en vervolgens de eerste productie-implementatie. Nodig ook eenvoudig anderen uit om samen te werken tijdens deze reis.
- Gebruik uw favoriete ontwikkelplatform en frameworks, waaronder GitHub, Visual Studio Code, LangChain, Semantic Kernel, AutoGen en meer.
- Ontdek en benchmark van meer dan 1.600 modellen.
- Richt Models-as-a-Service (MaaS) in via serverloze API's en gehoste afstemming.
- Neem meerdere modellen, gegevensbronnen en modaliteiten op.
- Build Retrieval Augmented Generation (RAG) met behulp van uw beveiligde bedrijfsgegevens zonder dat u hoeft af te stemmen.
- Prompts engineering- en LLM-stromen (Large Language Model) organiseren en beheren.
- Apps en API's ontwerpen en beveiligen met configureerbare filters en besturingselementen.
- Evalueer modelantwoorden met ingebouwde en aangepaste evaluatiestromen.
- Implementeer AI-innovaties in de beheerde infrastructuur van Azure met continue bewaking en governance in omgevingen.
- Continu geïmplementeerde apps bewaken voor veiligheid, kwaliteit en tokenverbruik in productie.
Azure Machine Learning Studio
Azure Machine Learning Studio is een beheerd end-to-end machine learning-platform voor het bouwen, verfijnen, implementeren en gebruiken van Azure Machine Learning-modellen, op een verantwoorde manier op schaal.
Is Azure Machine Learning Studio geschikt voor u?
Azure Machine Learning is ontworpen voor machine learning-technici en gegevenswetenschappers.
Belangrijkste mogelijkheden van Azure Machine Learning Studio
- Bouw en train een Azure Machine Learning-model met elk type rekenproces, waaronder Spark en GPU's voor grote AI-workloads in de cloud.
- Voer geautomatiseerde Azure Machine Learning (AutoML) uit en sleep-en-drop UI voor Azure Machine Learning met weinig code.
- End-to-end Azure Machine LearningOps en herhaalbare Azure Machine Learning-pijplijnen implementeren.
- Gebruik een verantwoordelijk AI-dashboard voor vooroordelendetectie en foutanalyse.
- Prompt engineering- en LLM-stromen organiseren en beheren.
- Implementeer modellen met REST API-eindpunten, realtime en batchdeductie.
Gedetailleerde functievergelijking
In de volgende tabel worden de belangrijkste functies van Azure AI Studio en Azure Machine Learning Studio vergeleken:
| Categorie | Functie | Azure AI Studio | Azure Machine Learning Studio |
|---|---|---|---|
| Gegevensopslag | Opslagoplossing | Nee | Ja, met integratie van cloudbestandssystemen, OneLake in Fabric-integratie en Azure Storage-accounts. |
| Gegevensvoorbereiding | Gegevensintegratie met opslag | Ja, met blobopslag, Onelake, Azure Data Lake Storage (ADLS) ondersteund in de index. | Ja, via kopiëren en koppelen met Azure Storage-accounts. |
| Gegevens wrangling | Nee | Ja, in code. | |
| Gegevens labelen | Nee | Ja, met objectidentificatie, exemplaarsegmentatie, semantische segmentatie, tekst NER (Named Entity Recognition), integratie met hulpprogramma's en services voor 3P-labels. | |
| Functiearchief | Nr. | Ja | |
| Gegevensherkomst en labels | Nr. | Ja | |
| Spark-workloads | Nr. | Ja | |
| Workloads voor gegevensindeling | Nee | Nee, hoewel gekoppelde Spark- en Azure Machine Learning-pijplijnen beschikbaar zijn. | |
| Modelontwikkeling en -training | Code-first tool voor data scientist. | Ja, met VS Code. | Ja, met geïntegreerde notebooks, Jupyter, VS Code, R Studio. |
| Talen | Alleen Python. | Python (volledige ervaring), R, Scala, Java (beperkte ervaring). | |
| Experimenten bijhouden, bewaken en evalueren | Ja, maar alleen voor promptstroomuitvoeringen. | Ja, voor alle uitvoeringstypen. | |
| Hulpprogramma's voor het ontwerpen van ML-pijplijnen | Nee | Ja, met de ontwerpfunctie, het hulpprogramma voor het ontwerpen van visuele elementen en SDK/CLI/API. | |
| AutoML | Nee | Ja, voor regressie, classificatie, tijdreeksprognose, computer vision en natuurlijke taalverwerking (NLP). | |
| Rekendoelen voor training | Alleen serverloos voor MaaS-rekeninstanties en serverloze runtime voor promptstroom. | Spark-clusters, Azure Machine Learning-clusters (MPI) en Azure Arc serverloos. | |
| Grote taalmodellen (LLM's) en basismodellen trainen en afstemmen | Beperkt tot de modelcatalogus. | Ja, met gedistribueerde training op basis van MPI en de modelcatalogus. | |
| Azure Machine Learning-modellen beoordelen en fouten opsporen voor redelijkheid en uitleg. | Nee | Ja, met het ingebouwde verantwoordelijke AI-dashboard. | |
| Generatieve AI/LLM | LLM-catalogus | Ja, via modelcatalogus, LLM's van Azure OpenAI, Hugging Face en Meta. | Ja, via modelcatalogus-LLM's van Azure OpenAI, Hugging Face en Meta. |
| RAG (enterprise chat) | Ja | Ja, via promptstroom. | |
| LLM-inhoud filteren | Ja, via beveiliging van AI-inhoud. | Ja, via beveiliging van AI-inhoud. | |
| Promptstroom | Ja | Ja | |
| Leaderboard/benchmarks | Ja | Nr. | |
| Promptvoorbeelden | Ja | Nr. | |
| LLM-werkstroom/LLMOps/MLOps | Speelplaats | Ja | Nr. |
| Experiment- en testprompts | Ja, via speeltuin, modelkaart en promptstroom. | Ja, via modelkaart en promptstroom. | |
| Werkstroom ontwikkelen | Ja, via promptstroom, integratie met LangChain en Semantic Kernel. | Ja, via promptstroom, integratie met LangChain en Semantic Kernel. | |
| Werkstroom implementeren als eindpunt | Ja, via promptstroom. | Ja, via promptstroom. | |
| Versiebeheer voor stroom | Ja, via promptstroom. | Ja, via promptstroom. | |
| Ingebouwde evaluatie | Ja, via promptstroom. | Ja, via promptstroom. | |
| Git-integratie | Ja | Ja | |
| CI/CD | Ja, via code-first ervaringen in promptstroom, geïntegreerd met Azure DevOps en GitHub. | Ja, via code-first ervaringen in promptstroom, geïntegreerd met Azure DevOps en GitHub. | |
| Modelregister | Nee | Ja, via MIFlow en registers. | |
| Organisatiemodelregister | Nee | Ja, via registers. | |
| Modelimplementatie | Implementatieopties voor realtime-bediening | Modellen als een dienst (MaaS) online eindpunten voor MaaP-catalogus. | Nee |
| Implementatieopties voor batchverwerking | Nee | Batch-eindpunten, beheerde en onbeheerde Azure Arc-ondersteuning. | |
| Bedrijfsbeveiliging | AI Hub | Ja, beheer en beheer AI-assets. | Ja, voor zowel klassieke Azure Machine Learning als LLM's. |
| Privénetwerken | Ja | Ja | |
| Preventie van gegevensverlies | Ja | Ja | |
| Gegevensclassificatie | Nee | Ja, via Purview. |