Modelcatalogus en verzamelingen in Azure AI Studio

Belangrijk

Sommige van de functies die in dit artikel worden beschreven, zijn mogelijk alleen beschikbaar in de preview-versie. Deze preview wordt aangeboden zonder een service level agreement en we raden deze niet aan voor productieworkloads. Misschien worden bepaalde functies niet ondersteund of zijn de mogelijkheden ervan beperkt. Zie Aanvullende gebruiksvoorwaarden voor Microsoft Azure-previews voor meer informatie.

De modelcatalogus in Azure AI Studio is de hub voor het detecteren en gebruiken van een breed scala aan modellen waarmee u Generatieve AI-toepassingen kunt bouwen. De modelcatalogus bevat honderden modellen voor modelproviders, zoals de Azure OpenAI-service, Mistral, Meta, Cohere, Nvidia, Hugging Face, inclusief modellen die zijn getraind door Microsoft. Modellen van andere providers dan Microsoft zijn niet-Microsoft-producten, zoals gedefinieerd in de productvoorwaarden van Microsoft, en onderhevig aan de voorwaarden die bij het model worden geleverd.

Modelverzamelingen

De modelcatalogus organiseert modellen in verzamelingen. Er zijn drie typen verzamelingen in de modelcatalogus:

• Modellen gecureerd door Azure AI: De populairste open modellen van derden en eigen modellen verpakt en geoptimaliseerd om naadloos te werken op het Azure AI-platform. Het gebruik van deze modellen is onderhevig aan de licentievoorwaarden van de modelprovider die bij het model worden geleverd. Wanneer het model wordt geïmplementeerd in Azure AI Studio, is de beschikbaarheid van het model onderhevig aan de toepasselijke Azure SLA en biedt Microsoft ondersteuning voor implementatieproblemen. Modellen van partners zoals Meta, NVIDIA, Mistral AI zijn voorbeelden van modellen die beschikbaar zijn in de verzameling 'Gecureerd door Azure AI' in de catalogus. Deze modellen kunnen worden geïdentificeerd met een groen vinkje op de modeltegels in de catalogus of u kunt filteren op de verzameling 'Gecureerd door Azure AI'.
• Azure OpenAI-modellen, exclusief beschikbaar in Azure: Flagship Azure OpenAI-modellen via de verzameling 'Azure OpenAI' via een integratie met de Azure OpenAI-service. Microsoft ondersteunt deze modellen en het gebruik ervan, afhankelijk van de productvoorwaarden en SLA voor Azure OpenAI Service.
• Open modellen van de Hugging Face-hub: Honderden modellen van de HuggingFace-hub zijn toegankelijk via de verzameling 'Hugging Face' voor realtime deductie met beheerde rekenkracht. Met Hugging Face worden modellen gemaakt en onderhouden die worden vermeld in de HuggingFace-verzameling. Gebruik HuggingFace-forum of HuggingFace-ondersteuning voor hulp. Meer informatie in Open Modellen implementeren .

Suggesties voor toevoegingen aan de model catalogus: u kunt een aanvraag indienen om een model toe te voegen aan de modelcatalogus met behulp van dit formulier.

Overzicht van mogelijkheden van modelcatalogus

Raadpleeg de Azure OpenAI Service voor informatie over Azure OpenAI-modellen.

Sommige modellen in azure AI - en Open-modellen uit de hugging Face-hubverzamelingen kunnen worden geïmplementeerd met een beheerde rekenoptie en sommige modellen zijn beschikbaar om te worden geïmplementeerd met behulp van serverloze API's met betalen per gebruik-facturering. Deze modellen kunnen worden gedetecteerd, vergeleken, geëvalueerd, verfijnd (indien ondersteund) en op schaal worden geïmplementeerd en geïntegreerd in uw Generatieve AI-toepassingen met beveiliging en gegevensgovernance op bedrijfsniveau.

• Ontdekken: Bekijk modelkaarten, probeer voorbeelddeductie en blader door codevoorbeelden om het model te evalueren, af te stemmen of te implementeren.
• Vergelijken: Vergelijk benchmarks tussen modellen en gegevenssets die beschikbaar zijn in de branche om te beoordelen welke voldoet aan uw bedrijfsscenario.
• Evalueren: Evalueren of het model geschikt is voor uw specifieke workload door uw eigen testgegevens op te geven. Metrische evaluatiegegevens maken het eenvoudig om te visualiseren hoe goed het geselecteerde model in uw scenario is uitgevoerd.
• Afstellen: Pas verfijnde modellen aan met behulp van uw eigen trainingsgegevens en kies het beste model door metrische gegevens te vergelijken in al uw taken voor het afstemmen van taken. Ingebouwde optimalisaties versnellen het afstemmen en verminderen het geheugen en de rekenkracht die nodig zijn voor het afstemmen.
• Implementeren: Implementeer vooraf getrainde modellen of nauwkeurig afgestemde modellen voor deductie. Modellen die kunnen worden geïmplementeerd voor beheerde berekeningen, kunnen ook worden gedownload.

Modelimplementatie: Beheerde compute en serverloze API (betalen per gebruik)

Modelcatalogus biedt twee verschillende manieren om modellen uit de catalogus te implementeren voor uw gebruik: beheerde compute- en serverloze API's. De implementatieopties die beschikbaar zijn voor elk model variëren; in de volgende tabellen vindt u meer informatie over de functies van de implementatieopties en de beschikbare opties voor specifieke modellen. Meer informatie over gegevensverwerking met de implementatieopties.

Functies	Volledig beheerde rekenprocessen	serverloze API (betalen per gebruik)
Implementatie-ervaring en -facturering	Modelgewichten worden geïmplementeerd op toegewezen virtuele machines met beheerde online-eindpunten. Het beheerde online-eindpunt, dat een of meer implementaties kan hebben, maakt een REST API beschikbaar voor deductie. U wordt gefactureerd voor de core-uren van de virtuele machine die door de implementaties worden gebruikt.	Toegang tot modellen is via een implementatie die een API inricht voor toegang tot het model. De API biedt toegang tot het model dat wordt gehost en beheerd door Microsoft, voor deductie. Deze toegangsmodus wordt 'Modellen als een service' genoemd. U wordt gefactureerd voor invoer en uitvoer voor de API's, meestal in tokens; u krijgt prijsinformatie voordat u implementeert.
API-verificatie	Sleutels en verificatie van Microsoft Entra ID.	Alleen sleutels.
Inhoudsveiligheid	API's van de Azure Content Safety-service gebruiken.	Azure AI Content Veiligheid-filters zijn geïntegreerd met deductie-API's. Azure AI Content Veiligheid-filters kunnen afzonderlijk worden gefactureerd.
Netwerkisolatie	Beheerd netwerk configureren. Meer informatie.

Modelleren	Volledig beheerde rekenprocessen	Serverloze API (betalen per gebruik)
Familiemodellen van Llama	Llama-2-7b Llama-2-7b-chat Llama-2-13b Llama-2-13b-chat Llama-2-70b Llama-2-70b-chat Llama-3-8B-Instruct Llama-3-70B-Instruct Llama-3-8B Llama-3-70B	Llama-3-70B-Instruct Llama-3-8B-Instruct Llama-2-7b Llama-2-7b-chat Llama-2-13b Llama-2-13b-chat Llama-2-70b Llama-2-70b-chat
Mistral-familiemodellen	mistralai-Mixtral-8x22B-v0-1 mistralai-Mixtral-8x22B-Instruct-v0-1 mistral-community-Mixtral-8x22B-v0-1 mistralai-Mixtral-8x7B-v01 mistralai-Mistral-7B-Instruct-v0-2 mistralai-Mistral-7B-v01 mistralai-Mixtral-8x7B-Instruct-v01 mistralai-Mistral-7B-Instruct-v01	Mistral-large Mistral-small
Familiemodellen in cohere	Niet beschikbaar	Cohere-command-r-plus Cohere-command-r Cohere-embed-v3-english Cohere-embed-v3-multilingual
JAIS	Niet beschikbaar	jais-30b-chat
Phi3-gezinsmodellen	Phi-3-small-128k-Instruct Phi-3-small-8k-Instruct Phi-3-mini-4k-Instruct Phi-3-mini-128k-Instruct Phi3-medium-128k-instruct Phi3-medium-4k-instruct	Phi-3-mini-4k-Instruct Phi-3-mini-128k-Instruct Phi3-medium-128k-instruct Phi3-medium-4k-instruct
Nixtla	Niet beschikbaar	TimeGEN-1
Andere modellen	Beschikbaar	Niet beschikbaar

Volledig beheerde rekenprocessen

De mogelijkheid om modellen te implementeren als een beheerde berekening bouwt voort op platformmogelijkheden van Azure Machine Learning om naadloze integratie mogelijk te maken, in de gehele LLMOps-levenscyclus, van de brede verzameling modellen in de modelcatalogus.

Hoe worden modellen beschikbaar gesteld voor implementatie als beheerde rekenkracht?

De modellen worden beschikbaar gesteld via Azure Machine Learning-registers, dit maakt een ML-gerichte aanpak voor het hosten en distribueren van machine learning-assets mogelijk, zoals modelgewichten, containerruntimes voor het uitvoeren van de modellen, automatiseringen voor het evalueren en verfijnen van de modellen en gegevenssets voor benchmarks en voorbeelden. Deze ML-registers worden gebouwd op een zeer schaalbare en bedrijfsklare infrastructuur die:

• Toegangsmodelartefacten met lage latentie biedt voor alle Azure-regio's met ingebouwde geo-replicatie.

• Bedrijfsbeveiligingsvereisten ondersteunt voor het beperken van de toegang tot modellen met Azure Policy en veilige implementatie met beheerde virtuele netwerken.

Modellen implementeren voor deductie met beheerde rekenkracht

Modellen die beschikbaar zijn voor implementatie naar een beheerd rekenproces, kunnen worden geïmplementeerd in Azure Machine Learning Online-eindpunten voor realtime deductie. Voor implementatie in beheerde berekeningen moet u een quotum voor virtuele machines in uw Azure-abonnement hebben voor de specifieke SKU's die nodig zijn om het model optimaal uit te voeren. Met sommige modellen kunt u tijdelijk een gedeeld quotum implementeren voor het testen van het model. Meer informatie over het implementeren van modellen:

• Meta Llama-modellen implementeren
• Open modellen implementeren die zijn gemaakt door Azure AI

Generatieve AI-apps bouwen met beheerde rekenkracht

Prompt flow biedt een geweldige ervaring voor het maken van prototypen. U kunt modellen gebruiken die zijn geïmplementeerd met beheerde berekeningen in promptstroom met het hulpprogramma LLM voor open modellen. U kunt ook de REST API gebruiken die wordt weergegeven door beheerde compute in populaire LLM-hulpprogramma's zoals LangChain met de Azure Machine Learning-extensie.

Inhoudsveiligheid voor modellen die zijn geïmplementeerd als beheerde rekenkracht

De Azure AI Content Safety-service (AACS) is beschikbaar voor gebruik met beheerde berekeningen om te controleren op verschillende categorieën schadelijke inhoud, zoals seksuele inhoud, geweld, haat en zelfschade en geavanceerde bedreigingen, zoals jailbreakrisicodetectie en detectie van beveiligde materiaalteksten. U kunt dit notebook raadplegen voor referentieintegratie met AACS voor Llama 2 of het hulpprogramma Content Safety (Text) in Prompt Flow gebruiken om reacties van het model door te geven aan AACS voor screening. U wordt afzonderlijk gefactureerd volgens de AACS-prijzen voor dergelijk gebruik.

Serverloze API's met betalen per gebruik-facturering

Bepaalde modellen in de modelcatalogus kunnen worden geïmplementeerd als serverloze API's met betalen per gebruik-facturering; deze implementatiemethode wordt Models-as-a Service (MaaS) genoemd en biedt een manier om ze als API te gebruiken zonder ze te hosten in uw abonnement. Modellen die beschikbaar zijn via MaaS, worden gehost in infrastructuur die wordt beheerd door Microsoft, waardoor api-gebaseerde toegang tot het model van de modelprovider mogelijk is. Api-toegang kan de kosten voor het openen van een model aanzienlijk verlagen en de inrichtingservaring aanzienlijk vereenvoudigen. De meeste MaaS-modellen worden geleverd met prijzen op basis van tokens.

Hoe worden modellen van derden beschikbaar gesteld in MaaS?

Modellen die beschikbaar zijn voor implementatie als serverloze API's met betalen per gebruik-facturering, worden aangeboden door de modelprovider, maar worden gehost in de door Microsoft beheerde Azure-infrastructuur en zijn toegankelijk via API. Modelproviders definiëren de licentievoorwaarden en stellen de prijs in voor het gebruik van hun modellen, terwijl Azure Machine Learning Service de hostinginfrastructuur beheert, de deductie-API's beschikbaar maakt en fungeert als de gegevensverwerker voor prompts die worden verzonden en inhoudsuitvoer door modellen die zijn geïmplementeerd via MaaS. Meer informatie over gegevensverwerking voor MaaS vindt u in het artikel over gegevensprivacy .

Betalen voor modelgebruik in MaaS

De detectie-, abonnements- en verbruikservaring voor modellen die zijn geïmplementeerd via MaaS, bevindt zich in Azure AI Studio en Azure Machine Learning-studio. Gebruikers accepteren licentievoorwaarden voor het gebruik van de modellen en prijsinformatie voor verbruik wordt verstrekt tijdens de implementatie. Modellen van externe providers worden gefactureerd via Azure Marketplace, in overeenstemming met de gebruiksvoorwaarden van de commerciële marketplace. Modellen van Microsoft worden gefactureerd met behulp van Azure-meters als First Party Consumption Services. Zoals beschreven in de productvoorwaarden, worden First Party Consumption Services aangeschaft met behulp van Azure-meters, maar zijn ze niet onderworpen aan azure-servicevoorwaarden. Het gebruik van deze modellen is onderhevig aan de opgegeven licentievoorwaarden.

Modellen implementeren voor deductie via MaaS

Door een model te implementeren via MaaS, kunnen gebruikers toegang krijgen tot het voorbereiden op het gebruik van deductie-API's zonder dat ze de infrastructuur hoeven te configureren of GPU's hoeven in te richten, waardoor technische tijd en resources worden bespaard. Deze API's kunnen worden geïntegreerd met verschillende LLM-hulpprogramma's en het gebruik wordt gefactureerd zoals beschreven in de vorige sectie.

Modellen verfijnen via MaaS met betalen per gebruik

Voor modellen die beschikbaar zijn via MaaS en ondersteuning bieden voor afstemming, kunnen gebruikers profiteren van gehoste afstemming met betalen per gebruik-facturering om de modellen aan te passen aan de hand van gegevens die ze leveren. Zie het overzicht van afstemming voor meer informatie.

RAG met modellen die zijn geïmplementeerd als serverloze API's

Met Azure AI Studio kunnen gebruikers gebruikmaken van Vector Indexen en Augmented Generation ophalen. Modellen die kunnen worden geïmplementeerd via een serverloze API, kunnen worden gebruikt voor het genereren van insluitingen en deductie op basis van aangepaste gegevens om antwoorden te genereren die specifiek zijn voor hun use-case. Zie Een vectorindex maken voor meer informatie.

Regionale beschikbaarheid van aanbiedingen en modellen

Betalen per gebruik-facturering is alleen beschikbaar voor gebruikers van wie het Azure-abonnement deel uitmaakt van een factureringsrekening in een land waarin de modelprovider de aanbieding beschikbaar heeft gesteld (zie beschikbaarheidsregio voor aanbiedingen in de tabel in de volgende sectie). Als de aanbieding beschikbaar is in de relevante regio, moet de gebruiker een hub/project hebben in de Azure-regio waar het model beschikbaar is voor implementatie of afstemming, zoals van toepassing (zie de kolommen hub/projectregio in de onderstaande tabel).

Modelleren	Beschikbaarheidsregio aanbod	Hub/projectregio voor implementatie	Hub/projectregio voor afstemming
Llama-3-70B-Instruct Llama-3-8B-Instruct	Microsoft-beheerde landen	VS - oost, VS - oost 2, VS - noord-centraal, VS - zuid-centraal, Zweden - centraal, VS - west, VS - west 3	Niet beschikbaar
Llama-2-7b Llama-2-13b Llama-2-70b	Microsoft-beheerde landen	VS - oost, VS - oost 2, VS - noord-centraal, VS - zuid-centraal, VS - west, VS - west 3	US - west 3
Llama-2-7b-chat Llama-2-13b-chat Llama-2-70b-chat	Microsoft-beheerde landen	VS - oost, VS - oost 2, VS - noord-centraal, VS - zuid-centraal, VS - west, VS - west 3,	Niet beschikbaar
Mistral Small	Microsoft-beheerde landen	VS - oost, VS - oost 2, VS - noord-centraal, VS - zuid-centraal, Zweden - centraal, VS - west, VS - west 3	Niet beschikbaar
Mistral-Large	Microsoft-beheerde landen Brazilië Hongkong Israël	VS - oost, VS - oost 2, VS - noord-centraal, VS - zuid-centraal, Zweden - centraal, VS - west, VS - west 3	Niet beschikbaar
Cohere-command-r-plus Cohere-command-r Cohere-embed-v3-english Cohere-embed-v3-multilingual	Microsoft-beheerde landen Japan	VS - oost, VS - oost 2, VS - noord-centraal, VS - zuid-centraal, Zweden - centraal, VS - west, VS - west 3	Niet beschikbaar
TimeGEN-1	Microsoft-beheerde landen Mexico Israël	VS - oost, VS - oost 2, VS - noord-centraal, VS - zuid-centraal, Zweden - centraal, VS - west, VS - west 3	Niet beschikbaar
jais-30b-chat	Microsoft-beheerde landen	VS - oost, VS - oost 2, VS - noord-centraal, VS - zuid-centraal, Zweden - centraal, VS - west, VS - west 3	Niet beschikbaar
Phi-3-mini-4k-instruct	Microsoft-beheerde landen	VS - oost 2, Canada - centraal, Zweden - centraal, VS - west 3	Niet beschikbaar
Phi-3-mini-128k-instruct Phi-3-medium-4k-instruct Phi-3-medium-128k-instruct	Microsoft-beheerde landen	US - oost 2, Zweden - centraal	Niet beschikbaar

Inhoudsveiligheid voor modellen die zijn geïmplementeerd via serverloze API

Belangrijk

Sommige van de functies die in dit artikel worden beschreven, zijn mogelijk alleen beschikbaar in de preview-versie. Deze preview wordt aangeboden zonder een service level agreement en we raden deze niet aan voor productieworkloads. Misschien worden bepaalde functies niet ondersteund of zijn de mogelijkheden ervan beperkt. Zie Aanvullende gebruiksvoorwaarden voor Microsoft Azure-previews voor meer informatie.

Azure AI Studio implementeert een standaardconfiguratie van tekstbeheerfilters voor Azure AI Content Safety voor schadelijke inhoud (haat, zelfschadig, seksueel en geweld) in taalmodellen die zijn geïmplementeerd met MaaS. Zie voor meer informatie over inhoudsfiltering (preview) de Schadecategorieën in Azure AI Content Veiligheid. Contentfilters (preview) worden synchroon uitgevoerd wanneer de serviceprocessen vragen om inhoud te genereren. Mogelijk wordt u afzonderlijk gefactureerd volgens de AACS-prijzen voor dergelijk gebruik. U kunt inhoudsfiltering uitschakelen voor afzonderlijke serverloze eindpunten wanneer u voor het eerst een taalmodel implementeert of op de pagina met implementatiedetails door op de wisselknop voor inhoudsfiltering te klikken. Mogelijk loopt u een hoger risico om gebruikers bloot te stellen aan schadelijke inhoud als u contentfilters uitschakelt.

Volgende stappen

• Azure AI-basismodellen verkennen in Azure AI Studio