Uwaga
Dostęp do tej strony wymaga autoryzacji. Może spróbować zalogować się lub zmienić katalogi.
Dostęp do tej strony wymaga autoryzacji. Możesz spróbować zmienić katalogi.
Buduj, wdrażaj i zarządzaj aplikacjami sztucznej inteligencji oraz uczenia maszynowego za pomocą Mosaic AI, która jest zintegrowaną platformą, łączącą cały cykl życia sztucznej inteligencji, od przygotowania danych do monitorowania produkcji.
Aby zapoznać się z zestawem samouczków, które ułatwiają rozpoczęcie pracy, zobacz Samouczki dotyczące sztucznej inteligencji i uczenia maszynowego.
Tworzenie aplikacji generacyjnych sztucznej inteligencji
Twórz i wdrażaj aplikacje sztucznej inteligencji klasy korporacyjnej, takie jak dostosowane modele językowe dużej skali, agenci sztucznej inteligencji i generowanie wspomagane wyszukiwaniem.
Funkcja | Opis |
---|---|
Plac zabaw dla sztucznej inteligencji | Prototypowanie i testowanie modeli generatywnej sztucznej inteligencji bez potrzeby kodowania i dostrajania parametrów. |
Agent Bricks | Proste, bez kodu podejście do tworzenia i optymalizowania systemów agentów sztucznej inteligencji specyficznych dla domeny wysokiej jakości dla typowych przypadków użycia sztucznej inteligencji. |
Modele podstawowe | Służyć najnowocześniejsze LLMs, w tym Meta Llama, Anthropic Claude i OpenAI GPT za pomocą bezpiecznych, skalowalnych interfejsów API. |
Struktura agenta mozaiki sztucznej inteligencji | Twórz i wdrażaj agentów jakości produkcyjnej, w tym aplikacji RAG i systemów z wieloma agentami przy użyciu języka Python. |
MLflow for GenAI | Mierzenie, ulepszanie i monitorowanie jakości w całym cyklu życia aplikacji GenAI przy użyciu metryk opartych na sztucznej inteligencji i kompleksowej możliwości obserwacji śledzenia. |
Wyszukiwanie wektorów | Przechowuj i przeszukuj wektory osadzeń z automatyczną synchronizacją z bazą wiedzy w aplikacjach RAG. |
Dostrajanie modelu podstawowego | Dostosowywanie modeli podstawowych przy użyciu własnych danych w celu zoptymalizowania wydajności określonych aplikacji. |
Trenowanie klasycznych modeli uczenia maszynowego
Tworzenie modeli uczenia maszynowego za pomocą zautomatyzowanych narzędzi i środowisk programistycznych do współpracy.
Funkcja | Opis |
---|---|
AutoML | Automatycznie twórz modele wysokiej jakości z minimalnym kodem przy użyciu zautomatyzowanej inżynierii cech i dostrajania hiperparametrów. |
Databricks Runtime dla uczenia maszynowego | Wstępnie skonfigurowane klastry z obsługą TensorFlow, PyTorch, Keras oraz GPU w celu rozwoju uczenia głębokiego. |
Śledzenie MLflow | Śledzenie eksperymentów, porównywanie wydajności modelu i zarządzanie pełnym cyklem projektowania modelu. |
Inżynieria cech | Tworzenie i udostępnianie funkcji oraz zarządzanie nimi za pomocą zautomatyzowanych potoków danych i odnajdywania funkcji. |
Notatniki Databricks | Środowisko współpracy programistycznej z obsługą Python, R, Scala i SQL dla przepływów pracy związanych z uczeniem maszynowym. |
Trenowanie modeli uczenia głębokiego
Używanie wbudowanych struktur do opracowywania modeli uczenia głębokiego.
Funkcja | Opis |
---|---|
Trenowanie rozproszone | Przykłady rozproszonego uczenia głębokiego przy użyciu technologii Ray, TorchDistributor i DeepSpeed. |
Najlepsze rozwiązania dotyczące uczenia głębokiego w usłudze Databricks | Najlepsze rozwiązania dotyczące uczenia głębokiego w usłudze Databricks. |
PyTorch | Trenowanie jednowęźle i rozproszone przy użyciu narzędzia PyTorch. |
TensorFlow | Trenowanie na pojedynczym węźle oraz trenowanie rozproszone z użyciem bibliotek TensorFlow i TensorBoard. |
Rozwiązania referencyjne | Rozwiązania referencyjne dotyczące uczenia głębokiego. |
Wdrażanie i obsługa modeli
Wdrażanie modeli w środowisku produkcyjnym przy użyciu skalowalnych punktów końcowych, wnioskowania w czasie rzeczywistym i monitorowania klasy korporacyjnej.
Funkcja | Opis |
---|---|
Obsługa modelu | Wdróż niestandardowe modele i moduły LLM jako skalowalne punkty końcowe REST z automatycznym skalowaniem i obsługą procesora GPU. |
Brama sztucznej inteligencji | Nadzorowanie i monitorowanie dostępu do generowania modeli sztucznej inteligencji za pomocą śledzenia użycia, rejestrowania ładunków i mechanizmów kontroli zabezpieczeń. |
Modele zewnętrzne | Integracja modeli zewnętrznych hostowanych poza usługą Databricks z ujednoliconym zarządzaniem i monitorowaniem. |
Interfejsy API modelu bazowego | Uzyskiwanie dostępu do najnowocześniejszych otwartych modeli hostowanych przez usługę Databricks i wykonywanie zapytań o nie. |
Monitorowanie i zarządzanie systemami uczenia maszynowego
Zapewnij jakość modelu, integralność danych i zgodność z kompleksowymi narzędziami do monitorowania i zapewniania ładu.
Funkcja | Opis |
---|---|
Unity Catalog | Zarządzanie danymi, funkcjami, modelami i funkcjami za pomocą ujednoliconej kontroli dostępu, śledzenia pochodzenia i odnajdywania. |
Monitorowanie usługi Lakehouse | Monitoruj jakość danych, wydajność modelu oraz dryf przewidywań przy użyciu zautomatyzowanych alertów i analizy przyczyn źródłowych. |
MLflow dla modeli | Śledzenie, ocenianie i monitorowanie aplikacji generacyjnych sztucznej inteligencji w całym cyklu projektowania. |
Produkcja przepływów pracy uczenia maszynowego
Skalowanie operacji uczenia maszynowego przy użyciu zautomatyzowanych przepływów pracy, integracji/ciągłego wdrażania i potoków gotowych do produkcji.
Zadanie | Opis |
---|---|
Rejestr modeli | Zarządzanie wersjami, zatwierdzeniami i wdrożeniami modelu za pomocą scentralizowanego zarządzania cyklem życia modelu. |
Zadania lakeflow | Buduj zautomatyzowane przepływy pracy oraz potoki ETL gotowe do produkcji, przeznaczone do przetwarzania danych na potrzeby uczenia maszynowego. |
Ray w usłudze Databricks | Skalowanie obciążeń uczenia maszynowego przy użyciu przetwarzania rozproszonego na potrzeby trenowania i wnioskowania modelu na dużą skalę. |
Przepływy pracy w MLOps | Zaimplementuj od końca do końca MLOps przy użyciu zautomatyzowanych potoków trenowania, testowania i wdrażania. |
Integracja z usługą Git | Kontrola wersji kodu i notesów uczenia maszynowego z bezproblemową integracją z usługą Git i współpraca w ramach rozwoju. |