Porównanie produktów i technologii uczenia maszynowego Microsoft
Dowiedz się więcej o produktach i technologiach uczenia maszynowego z Microsoft. Porównaj opcje ułatwiające wybór sposobu najbardziej efektywnego kompilowania, wdrażania i zarządzania rozwiązaniami uczenia maszynowego.
Produkty do uczenia maszynowego oparte na chmurze
Następujące opcje są dostępne dla uczenia maszynowego w chmurze platformy Azure.
| Opcje chmury | Co to jest | Do czego służy |
|---|---|---|
| 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 funkcje 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 |
| usługi Azure SQL Managed Instance Machine Learning Services | Uczenie maszynowe w bazie danych dla języka SQL | Trenowanie i wdrażanie modeli w 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 za pomocą technologii 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 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 | Do czego służy |
|---|---|---|
| SQL Server Machine Learning Services | Uczenie maszynowe w bazie danych dla języka SQL | Trenowanie i wdrażanie modeli wewnątrz SQL Server |
| Usługi Machine Learning Services w usłudze SQL Server Klastry danych big data | Uczenie maszynowe w Klastry danych big data | Trenowanie i wdrażanie modeli na SQL Server Klastry danych big data |
Platformy programistyczne i narzędzia
Następujące platformy programistyczne i narzędzia są dostępne dla uczenia maszynowego.
| Platformy/narzędzia | Co to jest | Do czego służy |
|---|---|---|
| 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, międzyplatformowy | Opracowywanie rozwiązań uczenia maszynowego dla aplikacji platformy .NET |
| Windows ML | platforma Windows 10 uczenia maszynowego | Ocena przeszkolonych modeli na urządzeniu z systemem Windows 10 |
| MMLSpark | 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 usługi Machine Learning 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 Learning to w pełni zarządzana usługa w chmurze używana do trenowania, wdrażania modeli uczenia maszynowego i zarządzania nimi 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 Usługi Azure Machine Learning dla Visual Studio Code, bezpłatne rozszerzenie umożliwiające zarządzanie zasobami, przepływy pracy trenowania modelu i wdrożenia w Visual Studio Code. Usługa Azure Machine Learning obejmuje 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 niskiego kodu lub braku kodu użyj projektanta interaktywnego usługi Azure Machine Learning w studio, aby łatwo i szybko kompilować, testować i wdrażać modele przy użyciu wstępnie utworzonych algorytmów uczenia maszynowego.
Wypróbuj bezpłatnie usługę Azure Machine Learning.
| Element | Opis |
|---|---|
| Typ | Oparte na chmurze rozwiązanie do uczenia maszynowego |
| Obsługiwane języki | Python, R |
| Fazy uczenia maszynowego | Trenowanie modelu Wdrożenie Metodyka MLOps/zarządzanie |
| Najważniejsze korzyści | Opcje tworzenia interfejsu internetowego projektanta przeciągania i upuszczania w programie Code first (SDK) i studio & . Centralne zarządzanie skryptami i historią uruchamiania, co ułatwia porównywanie wersji modelu. Łatwe wdrażanie modeli i zarządzanie nimi na urządzeniach chmurowych lub brzegowych. |
| Zagadnienia do rozważenia | Wymaga znajomości modelu zarządzania modelem. |
Azure Cognitive Services
Azure Cognitive Services 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 z zakresu nauki o danych do trenowania modeli do użycia w aplikacjach. Wszystko to 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 dodać inteligentne funkcje, takie jak:
- Wizji: Wykrywanie obiektów, rozpoznawanie twarzy, OCR itp. Zobacz przetwarzanie obrazów, Face, Form Recognizer.
- Mowy: Zamiana mowy na tekst, zamiana tekstu na mowę, rozpoznawanie osoby mówiącej itp. Zobacz Usługa rozpoznawania mowy.
- Język: Tłumaczenie, analiza tonacji, wyodrębnianie kluczowych fraz, zrozumienie języka itp. Zobacz Translator, analiza tekstu, Language Understanding, QnA Maker
- Decyzji: Wykrywanie anomalii, moderowanie zawartości, uczenie się wzmacniania. Zobacz Narzędzie do wykrywania anomalii, Content Moderator, Personalizacja.
Usług Cognitive Services można używać do opracowywania aplikacji przeznaczonych dla różnych urządzeń i platform. Interfejsy API są stale udoskonalane i łatwe do skonfigurowania.
| Element | Opis |
|---|---|
| Typ | 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 dla metod komunikacji naturalnej z wizją, mową, językiem i decyzją. Nie jest wymagana wiedza na temat 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:
- SQL Server Machine Learning Services
- Usługi Machine Learning Services w usłudze SQL Server Klastry danych big data
- usługi Azure SQL Managed Instance Machine Learning Services
- Uczenie maszynowe w usłudze Azure Synapse Analytics
- Uczenie maszynowe i sztuczna inteligencja za pomocą technologii ONNX w usłudze Azure SQL Edge
- Rozszerzenie usługi Machine Learning dla usługi Azure Data Studio
Użyj uczenia maszynowego SQL, gdy potrzebujesz wbudowanej sztucznej inteligencji i analizy predykcyjnej na danych relacyjnych w języku SQL.
| Element | Opis |
|---|---|
| Typ | 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 uwzględnienie logiki warstwy danych. |
| Zagadnienia do rozważenia | Zakłada, że baza danych SQL jest warstwą danych dla aplikacji. |
Azure Data Science Virtual Machine
Usługa Azure Data Science Virtual Machine to dostosowane środowisko maszyny wirtualnej w chmurze platformy Azure Microsoft. Jest ona dostępna w wersjach zarówno dla systemów Windows, jak 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 uruchamiania 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 |
|---|---|
| Typ | Dostosowane środowisko maszyny wirtualnej na potrzeby nauki o danych |
| Najważniejsze korzyści | Skrócony czas 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 możliwościami procesora 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 korzystanie z platformy Azure, dlatego należy zachować ostrożność, aby była uruchomiona tylko wtedy, gdy jest to wymagane. |
Azure Databricks
Azure Databricks to platforma analizy oparta na usłudze Apache Spark i zoptymalizowana pod kątem platformy usług 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 |
|---|---|
| Typ | Platforma analityczna bazująca na projekcie Apache Spark |
| Obsługiwane języki | Python, R, Scala, 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. Za pomocą ML.NET można tworzyć niestandardowe rozwiązania uczenia maszynowego i integrować je z aplikacjami platformy .NET. ML.NET oferuje różne poziomy współdziałania z popularnymi strukturami, 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 w celu uzyskania środowiska opartego na kodzie, a narzędziem Model Builder lub interfejsem wiersza polecenia w celu uzyskania niskiego poziomu kodu.
| Element | Opis |
|---|---|
| Typ | Platforma międzyplatformowa typu open source do tworzenia niestandardowych aplikacji uczenia maszynowego za pomocą platformy .NET |
| Obsługiwane języki | C#, F # |
| Fazy uczenia maszynowego | Przygotowywanie danych Szkolenie Wdrożenie |
| Najważniejsze korzyści | Środowisko uczenia maszynowego do nauki o & danych nie jest wymagane Korzystanie ze znanych narzędzi (Visual Studio, VS Code) i języków Wdrażanie, w którym działa platforma .NET Extensible Skalowalność Środowisko lokalne |
Windows ML
Aparat wnioskowania systemu Windows ML umożliwia korzystanie z wytrenowanych modeli uczenia maszynowego w aplikacjach, oceniając wytrenowane modele lokalnie na urządzeniach Windows 10.
Używaj platformy Windows ML, gdy chcesz korzystać z przeszkolonych modeli uczenia maszynowego w swoich aplikacjach systemu Windows.
| Element | Opis |
|---|---|
| Typ | Aparat wnioskowania dla wytrenowanych modeli na urządzeniach z systemem Windows |
| Obsługiwane języki | C#/C++, JavaScript |
MMLSpark
Microsoft ML for Apache Spark (MMLSpark) to biblioteka typu open source, która rozszerza rozproszoną strukturę obliczeniową Apache Spark. MMLSpark dodaje wiele narzędzi uczenia głębokiego i nauki o danych do ekosystemu Spark, w tym bezproblemową integrację potoków spark Machine Learning z Microsoft Cognitive Toolkit (CNTK),LightGBM, LIME (interpretacja modelu) i OpenCV. Za pomocą tych narzędzi można tworzyć zaawansowane modele predykcyjne w dowolnym klastrze Spark, takim jak Usługa Azure Databricks lub Kosmiczna platforma Spark.
MMLSpark oferuje również nowe możliwości sieciowe w ekosystemie platformy Spark. Za pomocą projektu HTTP na platformie Spark użytkownicy mogą osadzać dowolną usługę internetową w swoich modelach SparkML. Ponadto program MMLSpark zapewnia łatwe w użyciu narzędzia do organizowania usług Azure Cognitive Services na dużą skalę. W przypadku wdrożenia klasy produkcyjnej projekt Spark Serving umożliwia korzystanie z usług internetowych o wysokiej przepływności, podmilisekundach opóźnienia, wspieranych przez klaster Spark.
| Element | Opis |
|---|---|
| Typ | Open source, rozproszona platforma 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 Microsoft. Został pierwotnie napisany przez następujących współautorów.
Główny autor:
- Zoiner Tejada | Dyrektor generalny i architekt
Następne kroki
- Aby dowiedzieć się więcej o wszystkich produktach programistycznych sztucznej inteligencji (AI) dostępnych w Microsoft, zobacz Microsoft platformę sztucznej inteligencji.
- Aby dowiedzieć się więcej na temat opracowywania rozwiązań sztucznej inteligencji i uczenia maszynowego za pomocą Microsoft, zobacz szkolenie Microsoft Learn.