Porównanie produktów i technologii uczenia maszynowego firmy Microsoft

  • Artykuł

Dowiedz się więcej o produktach i technologiach uczenia maszynowego firmy Microsoft. Porównaj opcje, które ułatwiają wybór sposobu najbardziej efektywnego tworzenia, wdrażania i zarządzania rozwiązaniami uczenia maszynowego.

Produkty do uczenia maszynowego opartego na chmurze

Następujące opcje są dostępne dla uczenia maszynowego w chmurze platformy Azure.

Opcje chmury Co to jest Co można zrobić za jego pomocą
Azure Machine Learning Zarządzana platforma do uczenia maszynowego Użyj wstępnie wytrenowanego modelu. Możesz też trenować, wdrażać i zarządzać modelami na platformie Azure przy użyciu języka Python i interfejsu wiersza polecenia
Azure Cognitive Services Wstępnie utworzone możliwości sztucznej inteligencji zaimplementowane za pomocą interfejsów API REST i zestawów SDK Szybkie tworzenie inteligentnych aplikacji przy użyciu standardowych języków programowania. Nie wymaga wiedzy z zakresu uczenia maszynowego i nauki o danych
Azure SQL Managed Instance Machine Edukacja Services Uczenie maszynowe w bazie danych dla języka SQL Trenowanie i wdrażanie modeli w usłudze Azure SQL Managed Instance
Uczenie maszynowe w usłudze Azure Synapse Analytics Usługa analizy z uczeniem maszynowym Trenowanie i wdrażanie modeli w usłudze Azure Synapse Analytics
Uczenie maszynowe i sztuczna inteligencja z funkcją ONNX w usłudze Azure SQL Edge Uczenie maszynowe w usłudze SQL w usłudze IoT Trenowanie i wdrażanie modeli w usłudze Azure SQL Edge
Azure Databricks Platforma analityczna bazująca na projekcie Apache Spark Twórz i wdrażaj modele i przepływy pracy danych przy użyciu integracji z bibliotekami uczenia maszynowego typu open source i platformą MLflow .

Lokalne produkty do uczenia maszynowego

Następujące opcje są dostępne dla uczenia maszynowego w środowisku lokalnym. Serwery lokalne mogą być także uruchamiane na maszynie wirtualnej w chmurze.

Opcje lokalne Co to jest Co można zrobić za jego pomocą
SQL Server Machine Learning Services Uczenie maszynowe w bazie danych dla języka SQL Trenowanie i wdrażanie modeli w programie SQL Server
Usługi machine Edukacja w programie SQL Server Klastry danych big data Uczenie maszynowe w Klastry danych big data Trenowanie i wdrażanie modeli w programie SQL Server Klastry danych big data

Platformy i narzędzia programistyczne

Następujące platformy programistyczne i narzędzia są dostępne dla uczenia maszynowego.

Platformy/narzędzia Co to jest Co można zrobić za jego pomocą
Azure Data Science Virtual Machine Maszyna wirtualna ze wstępnie zainstalowanymi narzędziami do analizy danych Opracowywanie rozwiązań uczenia maszynowego w wstępnie skonfigurowanym środowisku
ML.NET Zestaw SDK uczenia maszynowego typu open source dla wielu platform Opracowywanie rozwiązań uczenia maszynowego dla aplikacji platformy .NET
Uczenie maszynowe systemu Windows Platforma uczenia maszynowego z systemem Windows 10 Ocena przeszkolonych modeli na urządzeniu z systemem Windows 10
SynapseML Platforma open source, rozproszona, uczenie maszynowe i mikrousługi dla platformy Apache Spark Tworzenie i wdrażanie skalowalnych aplikacji uczenia maszynowego dla języków Scala i Python.
Rozszerzenie Edukacja maszyny dla usługi Azure Data Studio Rozszerzenie uczenia maszynowego typu open source i międzyplatformowe dla usługi Azure Data Studio Zarządzanie pakietami, importowanie modeli uczenia maszynowego, przewidywanie i tworzenie notesów w celu uruchamiania eksperymentów dla baz danych SQL

Azure Machine Learning

Azure Machine Edukacja to w pełni zarządzana usługa w chmurze służąca do trenowania, wdrażania i zarządzania modelami uczenia maszynowego na dużą skalę. W pełni obsługuje technologie typu „open source”, dzięki czemu można używać dziesiątków tysięcy pakietów języka Python, np. TensorFlow, PyTorch czy scikit-learn. Dostępne są również zaawansowane narzędzia, takie jak wystąpienia obliczeniowe, notesy Jupyter lub rozszerzenie Azure Machine Edukacja for Visual Studio Code, bezpłatne rozszerzenie umożliwiające zarządzanie zasobami, przepływy pracy trenowania modelu i wdrożenia w programie Visual Studio Code. Usługa Azure Machine Edukacja zawiera funkcje automatyzujące generowanie i dostrajanie modeli z łatwością, wydajnością i dokładnością.

Użyj zestawu SDK języka Python, notesów Jupyter, języka R i interfejsu wiersza polecenia na potrzeby uczenia maszynowego w skali chmury. W przypadku opcji z małą ilością kodu lub bez kodu użyj projektanta interaktywnego usługi Azure Machine Edukacja w studio, aby łatwo i szybko kompilować, testować i wdrażać modele przy użyciu wstępnie utworzonych algorytmów uczenia maszynowego.

Wypróbuj bezpłatnie usługę Azure Machine Edukacja.

Element opis
Type Rozwiązanie do uczenia maszynowego opartego na chmurze
Obsługiwane języki Python, R
Fazy uczenia maszynowego Trenowanie modelu
Wdrożenie
Metodyka MLOps/zarządzanie
Najważniejsze korzyści Opcje tworzenia interfejsu internetowego code first (SDK) i studio oraz przeciągania i upuszczania projektanta.

Centralne zarządzanie skryptami i historią uruchamiania, co ułatwia porównywanie wersji modelu.

Łatwe wdrażanie modeli i zarządzanie nimi na urządzeniach w chmurze lub urządzeniach brzegowych.
Zagadnienia do rozważenia Wymaga znajomości modelu zarządzania modelem.

Usługi platformy Azure AI

Usługi Azure AI to zestaw wstępnie utworzonych interfejsów API, które umożliwiają tworzenie aplikacji korzystających z naturalnych metod komunikacji. Termin wstępnie utworzony sugeruje, że nie trzeba wprowadzać zestawów danych ani wiedzy specjalistycznej do nauki o danych, aby trenować modele do użycia w aplikacjach. To wszystko jest gotowe dla Ciebie i spakowane jako interfejsy API i zestawy SDK, które umożliwiają aplikacjom wyświetlanie, słyszenie, mówienie, interpretowanie i interpretowanie potrzeb użytkowników za pomocą zaledwie kilku wierszy kodu. Do aplikacji można łatwo dodawać inteligentne funkcje, takie jak:

Używanie usług Azure AI do tworzenia aplikacji na różnych urządzeniach i platformach. Interfejsy API są stale udoskonalane i łatwe do skonfigurowania.

Element opis
Type Interfejsy API do tworzenia inteligentnych aplikacji
Obsługiwane języki Różne opcje w zależności od usługi. Standardowe to C#, Java, JavaScript i Python.
Fazy uczenia maszynowego Wdrożenie
Najważniejsze korzyści Twórz inteligentne aplikacje przy użyciu wstępnie wytrenowanych modeli dostępnych za pośrednictwem interfejsu API REST i zestawu SDK.
Różne modele metod komunikacji naturalnej z wizją, mową, językiem i decyzją.
Nie jest wymagana wiedza fachowa w zakresie uczenia maszynowego ani nauki o danych.

Uczenie maszynowe SQL

Uczenie maszynowe SQL dodaje analizę statystyczną, wizualizację danych i analizę predykcyjną w języku Python i R na potrzeby danych relacyjnych, zarówno lokalnych, jak i w chmurze. Bieżące platformy i narzędzia obejmują:

Użyj uczenia maszynowego SQL, gdy potrzebujesz wbudowanej sztucznej inteligencji i analizy predykcyjnej na danych relacyjnych w języku SQL.

Element opis
Type Lokalna analiza predykcyjna dla danych relacyjnych
Obsługiwane języki Python, R, SQL
Fazy uczenia maszynowego Przygotowywanie danych
Trenowanie modelu
Wdrożenie
Najważniejsze korzyści Hermetyzowanie logiki predykcyjnej w funkcji bazy danych, co ułatwia uwzględnianie logiki warstwy danych.
Zagadnienia do rozważenia Zakłada, że baza danych SQL jest warstwą danych dla aplikacji.

Azure Data Science Virtual Machine

Maszyna wirtualna usługi Azure Nauka o danych to dostosowane środowisko maszyny wirtualnej w chmurze platformy Microsoft Azure. Jest ona dostępna w wersjach dla systemów Windows i Linux Ubuntu. Środowisko jest tworzone specjalnie na potrzeby nauki o danych i opracowywania rozwiązań uczenia maszynowego. Ma wiele popularnych struktur nauki o danych, uczenia maszynowego i innych wstępnie zainstalowanych i wstępnie skonfigurowanych do szybkiego tworzenia inteligentnych aplikacji do zaawansowanej analizy.

Maszyna wirtualna do analizy danych pozwala uruchamiać lub hostować zadania w jednym węźle. Można również jej użyć, gdy trzeba zdalnie skalować w górę przetwarzanie na jednej maszynie.

Element opis
Type Dostosowane środowisko maszyny wirtualnej na potrzeby nauki o danych
Najważniejsze korzyści Skrócenie czasu instalowania i rozwiązywania problemów z narzędziami i strukturami do nauki o danych oraz zarządzanie nimi.

Uwzględniono najnowsze wersje wszystkich powszechnie używanych narzędzi i struktur.

Opcje maszyny wirtualnej obejmują wysoce skalowalne obrazy z funkcjami procesora graficznego (GPU) na potrzeby intensywnego modelowania danych.
Zagadnienia do rozważenia Nie można uzyskać dostępu do maszyny wirtualnej w trybie offline.

Uruchomienie maszyny wirtualnej powoduje naliczanie opłat za platformę Azure, więc należy zachować ostrożność, aby była uruchomiona tylko wtedy, gdy jest to wymagane.

Azure Databricks

Azure Databricks to platforma analityczna oparta na platformie Apache Spark zoptymalizowana pod kątem platformy w chmurze Microsoft Azure. Usługa Databricks jest zintegrowana z platformą Azure w celu zapewnienia konfigurowania jednym kliknięciem, usprawnionych przepływów pracy oraz interaktywnego obszaru roboczego, który umożliwia współpracę między analitykami danych, inżynierami danych i analitykami biznesowymi. Użyj kodu języka Python, R, Scala i SQL w notesach opartych na sieci Web do wysyłania zapytań o dane, ich wizualizacji i modelowania.

Użyj usługi Databricks, gdy chcesz współpracować przy tworzeniu rozwiązań w zakresie uczenia maszynowego na platformie Apache Spark.

Element opis
Type Platforma analityczna bazująca na projekcie Apache Spark
Obsługiwane języki Python, R, Scala i SQL
Fazy uczenia maszynowego Przygotowywanie danych
Przetwarzanie wstępne danych
Trenowanie modelu
Dostrajanie modelu
Wnioskowanie modelu
Zarządzanie
Wdrożenie

ML.NET

ML.NET to platforma uczenia maszynowego typu open source i międzyplatformowa. Dzięki ML.NET można tworzyć niestandardowe rozwiązania uczenia maszynowego i integrować je z aplikacjami platformy .NET. ML.NET oferuje różne poziomy współdziałania z popularnymi platformami, takimi jak TensorFlow i ONNX na potrzeby trenowania i oceniania modeli uczenia maszynowego i uczenia głębokiego. W przypadku zadań intensywnie korzystających z zasobów, takich jak trenowanie modeli klasyfikacji obrazów, można wykorzystać platformę Azure do trenowania modeli w chmurze.

Używaj struktury ML.NET, gdy chcesz integrować rozwiązania uczenia maszynowego z aplikacjami platformy .NET. Wybierz między interfejsem API dla środowiska opartego na kodzie a narzędziem Model Builder lub interfejsem wiersza polecenia w celu uzyskania środowiska z małą ilością kodu.

Element opis
Type Platforma międzyplatformowa typu open source do tworzenia niestandardowych aplikacji uczenia maszynowego za pomocą platformy .NET
Obsługiwane języki C#, F#
Fazy uczenia maszynowego Przygotowywanie danych
Szkolenia
Wdrożenie
Najważniejsze korzyści Środowisko nauki o danych i uczenia maszynowego nie jest wymagane
Używanie znanych narzędzi (Visual Studio, Microsoft Visual Studio Code) i języków
Wdrażanie miejsca uruchamiania platformy .NET
Możliwość rozszerzenia
Skalowalny
Środowisko lokalne po raz pierwszy

Uczenie maszynowe systemu Windows

Aparat wnioskowania uczenia maszynowego z systemem Windows umożliwia używanie wytrenowanych modeli uczenia maszynowego w aplikacjach, oceniając wytrenowane modele lokalnie na urządzeniach z systemem Windows 10.

Użyj uczenia maszynowego systemu Windows, jeśli chcesz używać wytrenowanych modeli uczenia maszynowego w aplikacjach systemu Windows.

Element opis
Type Aparat wnioskowania dla wytrenowanych modeli na urządzeniach z systemem Windows
Obsługiwane języki C#/C++, JavaScript

SynapseML

SynapseML (wcześniej znany jako MMLSpark) to biblioteka typu open source, która upraszcza tworzenie wysoce skalowalnych potoków uczenia maszynowego. Usługa SynapseML udostępnia interfejsy API dla różnych zadań uczenia maszynowego, takich jak analiza tekstu, przetwarzanie obrazów, wykrywanie anomalii i wiele innych. Usługa SynapseML jest oparta na rozproszonej strukturze obliczeniowej platformy Apache Spark i udostępnia ten sam interfejs API co biblioteka SparkML/MLLib, umożliwiając bezproblemowe osadzanie modeli SynapseML w istniejących przepływach pracy platformy Apache Spark.

Usługa SynapseML dodaje wiele narzędzi do uczenia głębokiego i nauki o danych do ekosystemu platformy Spark, w tym bezproblemową integrację potoków platformy Spark Edukacja z lekkim wzmacnianiem gradientu (LightGBM), LIME (możliwość interpretowania modelu) i openCV. Za pomocą tych narzędzi można tworzyć zaawansowane modele predykcyjne w dowolnym klastrze Spark, takim jak Azure Databricks lub Kosmiczna platforma Spark.

Usługa SynapseML udostępnia również możliwości sieciowe ekosystemowi platformy Spark. Za pomocą projektu HTTP na platformie Spark użytkownicy mogą osadzać dowolną usługę internetową w swoich modelach SparkML. Ponadto usługa SynapseML zapewnia łatwe w użyciu narzędzia do organizowania usług Azure AI na dużą skalę. W przypadku wdrożenia klasy produkcyjnej projekt Spark Serving umożliwia wysoką przepływność, podmilisekundowe usługi sieci Web wspierane przez klaster Spark.

Element opis
Type Open source, rozproszona struktura uczenia maszynowego i mikrousług dla platformy Apache Spark
Obsługiwane języki Scala 2.11, Java, Python 3.5+, R (wersja beta)
Fazy uczenia maszynowego Przygotowywanie danych
Trenowanie modelu
Wdrożenie
Najważniejsze korzyści Skalowalność
Przesyłanie strumieniowe i obsługa zgodne
Odporność na uszkodzenia
Zagadnienia do rozważenia Wymaga platformy Apache Spark

Współautorzy

Ten artykuł jest obsługiwany przez firmę Microsoft. Pierwotnie został napisany przez następujących współautorów.

Główny autor:

Następne kroki

  • Aby dowiedzieć się więcej o wszystkich produktach programistycznych sztucznej inteligencji (AI) dostępnych w firmie Microsoft, zobacz Platforma sztucznej inteligencji firmy Microsoft.
  • Aby dowiedzieć się więcej na temat opracowywania rozwiązań sztucznej inteligencji i Edukacja maszynowych w firmie Microsoft, zobacz Szkolenie w usłudze Microsoft Learn.