Compare produtos e tecnologias de aprendizado de máquina da Microsoft
Saiba mais sobre os produtos e tecnologias de aprendizado de máquina da Microsoft. Compare opções para ajudá-lo a escolher como criar, implantar e gerenciar suas soluções de aprendizado de máquina com mais eficiência.
Produtos de aprendizagem automática baseados na nuvem
As opções a seguir estão disponíveis para aprendizado de máquina na nuvem do Azure.
| Opções na nuvem | O que é | O que permite fazer |
|---|---|---|
| Azure Machine Learning | Plataforma gerenciada para aprendizado de máquina | Use um modelo pré-treinado. Ou treine, implante e gerencie modelos no Azure usando Python e CLI |
| Serviços Cognitivos do Azure | Recursos de IA pré-criados implementados por meio de APIs e SDKs REST | Crie aplicativos inteligentes rapidamente usando linguagens de programação padrão. Não requer experiência em aprendizado de máquina e ciência de dados |
| Serviços de Aprendizado de Máquina de Instância Gerenciada SQL do Azure | Aprendizado de máquina no banco de dados para SQL | Treinar e implantar modelos dentro da Instância Gerenciada SQL do Azure |
| Aprendizagem automática no Azure Synapse Analytics | Serviço de análise com aprendizagem automática | Treinar e implantar modelos dentro do Azure Synapse Analytics |
| Aprendizado de máquina e IA com ONNX no Azure SQL Edge | Aprendizado de máquina em SQL em IoT | Treinar e implantar modelos dentro do Azure SQL Edge |
| Azure Databricks | Plataforma de análise baseada no Apache Spark | Crie e implante modelos e fluxos de trabalho de dados usando integrações com bibliotecas de aprendizado de máquina de código aberto e a plataforma MLflow . |
Produtos de aprendizagem automática no local
As opções a seguir estão disponíveis para aprendizado de máquina local. Os servidores locais também podem ser executados em uma máquina virtual na nuvem.
| Opções locais | O que é | O que permite fazer |
|---|---|---|
| Serviços de Machine Learning do SQL Server | Aprendizado de máquina no banco de dados para SQL | Treinar e implantar modelos dentro do SQL Server |
| Serviços de Aprendizado de Máquina em Clusters de Big Data do SQL Server | Aprendizado de máquina em clusters de Big Data | Treinar e implantar modelos em clusters de Big Data do SQL Server |
Plataformas e ferramentas de desenvolvimento
As seguintes plataformas e ferramentas de desenvolvimento estão disponíveis para aprendizado de máquina.
| Plataformas/ferramentas | O que é | O que permite fazer |
|---|---|---|
| Máquina Virtual de Ciência de Dados do Azure | Máquina virtual com ferramentas de ciência de dados pré-instaladas | Desenvolva soluções de aprendizado de máquina em um ambiente pré-configurado |
| ML.NET | SDK de aprendizado de máquina de código aberto e plataforma cruzada | Desenvolva soluções de aprendizado de máquina para aplicativos .NET |
| Aprendizagem automática do Windows | Plataforma de aprendizagem automática do Windows 10 | Avaliar os modelos preparados num dispositivo Windows 10 |
| SinapseML | Estrutura de código aberto, distribuída, aprendizado de máquina e microsserviços para Apache Spark | Crie e implante aplicativos escaláveis de aprendizado de máquina para Scala e Python. |
| Extensão de Aprendizado de Máquina para o Azure Data Studio | Extensão de aprendizado de máquina de código aberto e plataforma cruzada para o Azure Data Studio | Gerencie pacotes, importe modelos de aprendizado de máquina, faça previsões e crie blocos de anotações para executar experimentos para seus bancos de dados SQL |
Azure Machine Learning
O Azure Machine Learning é um serviço de nuvem totalmente gerenciado usado para treinar, implantar e gerenciar modelos de aprendizado de máquina em escala. Suporta totalmente tecnologias de open source, pelo que pode utilizar dezenas de milhares de pacotes Python de open source, como o TensorFlow, o PyTorch e o scikit-learn. Ferramentas avançadas também estão disponíveis, como instâncias de computação, blocos de anotações Jupyter ou a extensão Azure Machine Learning for Visual Studio Code, uma extensão gratuita que permite gerenciar seus recursos, modelar fluxos de trabalho de treinamento e implantações no Visual Studio Code. O Azure Machine Learning inclui recursos que automatizam a geração e o ajuste de modelos com facilidade, eficiência e precisão.
Use Python SDK, Jupyter notebooks, R e a CLI para aprendizado de máquina em escala de nuvem. Para uma opção low-code ou no-code, use o designer interativo do Azure Machine Learning no estúdio para criar, testar e implantar modelos de forma fácil e rápida usando algoritmos de aprendizado de máquina pré-criados.
Experimente o Azure Machine Learning gratuitamente.
| Item | Description |
|---|---|
| Tipo | Solução de aprendizagem automática baseada na nuvem |
| Idiomas suportados | Python, R |
| Fases de aprendizagem automática | Preparação de modelos Implementação MLOps/Gestão |
| Principais vantagens | Code first (SDK) e opções de criação da interface web do designer de estúdio e arrastar e soltar. Gerenciamento central de scripts e histórico de execução, facilitando a comparação de versões de modelos. Fácil implantação e gerenciamento de modelos para a nuvem ou dispositivos de borda. |
| Considerações | Requer alguma familiaridade com o modelo de gestão do modelo. |
Serviços de IA do Azure
Os serviços de IA do Azure são um conjunto de APIs pré-criadas que permitem criar aplicativos que usam métodos naturais de comunicação. O termo pré-construído sugere que você não precisa trazer conjuntos de dados ou experiência em ciência de dados para treinar modelos para uso em seus aplicativos. Tudo isso é feito para você e empacotado como APIs e SDKs que permitem que seus aplicativos vejam, ouçam, falem, entendam e interpretem as necessidades do usuário com apenas algumas linhas de código. Pode adicionar facilmente funcionalidades inteligentes às suas aplicações, tais como:
- Visão: Deteção de objetos, reconhecimento facial, reconhecimento ótico de caracteres (OCR) e assim por diante. Para obter mais informações, consulte Visão computacional, Face, Azure AI Document Intelligence.
- Fala: Fala para texto, texto para fala, Reconhecimento de orador e assim por diante. Para obter mais informações, consulte Serviço de fala.
- Idioma: Tradução, Análise de sentimento, extração de frases-chave, compreensão da linguagem e assim por diante. Veja Tradutor, Análise de Texto, Compreensão de Idiomas, QnA Maker
- Decisão: Deteção de anomalias, moderação de conteúdos, aprendizagem por reforço. Para obter mais informações, consulte Detetor de anomalias, Moderador de conteúdo, Personalizador.
Use os serviços de IA do Azure para desenvolver aplicativos entre dispositivos e plataformas. As APIs são melhoradas constantemente e são fáceis de configurar.
| Item | Description |
|---|---|
| Tipo | APIs para criar aplicativos inteligentes |
| Idiomas suportados | Várias opções dependendo do serviço. Os padrões são C#, Java, JavaScript e Python. |
| Fases de aprendizagem automática | Implementação |
| Principais vantagens | Crie aplicativos inteligentes usando modelos pré-treinados disponíveis por meio de API REST e SDK. Variedade de modelos para métodos naturais de comunicação com visão, fala, linguagem e decisão. Não é necessário conhecimento especializado em aprendizado de máquina ou ciência de dados. |
Aprendizado de máquina SQL
O aprendizado de máquina SQL adiciona análise estatística, visualização de dados e análise preditiva em Python e R para dados relacionais, tanto no local quanto na nuvem. As plataformas e ferramentas atuais incluem:
- Serviços de Machine Learning do SQL Server
- Serviços de Aprendizado de Máquina em Clusters de Big Data do SQL Server
- Serviços de Aprendizado de Máquina de Instância Gerenciada SQL do Azure
- Aprendizagem automática no Azure Synapse Analytics
- Aprendizado de máquina e IA com ONNX no Azure SQL Edge
- Extensão de Aprendizado de Máquina para o Azure Data Studio
Use o aprendizado de máquina SQL quando precisar de IA interna e análise preditiva em dados relacionais em SQL.
| Item | Description |
|---|---|
| Tipo | Análise preditiva local para dados relacionais |
| Idiomas suportados | Python, R, SQL |
| Fases de aprendizagem automática | Preparação de dados Preparação de modelos Implementação |
| Principais vantagens | Encapsular a lógica preditiva em uma função de banco de dados, facilitando a inclusão na lógica da camada de dados. |
| Considerações | Assume um banco de dados SQL como a camada de dados para seu aplicativo. |
Máquina Virtual de Ciência de Dados do Azure
A Máquina Virtual de Ciência de Dados do Azure é um ambiente de máquina virtual personalizado na nuvem do Microsoft Azure. Está disponível em versões para Windows e Linux Ubuntu. O ambiente é construído especificamente para fazer ciência de dados e desenvolver soluções de aprendizado de máquina. Ele tem muitas ciências de dados populares, estruturas de aprendizado de máquina e outras ferramentas pré-instaladas e pré-configuradas para iniciar a criação de aplicativos inteligentes para análises avançadas.
Utilize a VM de Ciência de Dados quando precisar de executar ou alojar as suas tarefas num único nó. Ou se tiver de aumentar verticalmente de forma remota o processamento numa máquina individual.
| Item | Description |
|---|---|
| Tipo | Ambiente de máquina virtual personalizado para ciência de dados |
| Principais vantagens | Tempo reduzido para instalar, gerenciar e solucionar problemas de ferramentas e estruturas de ciência de dados. As versões mais recentes de todas as ferramentas e estruturas comumente usadas estão incluídas. As opções de máquina virtual incluem imagens altamente escaláveis com recursos de unidade de processamento gráfico (GPU) para modelagem de dados intensiva. |
| Considerações | A máquina virtual não pode ser acessada quando offline. A execução de uma máquina virtual incorre em encargos do Azure, portanto, você deve ter cuidado para executá-la somente quando necessário. |
Azure Databricks
O Azure Databricks é uma plataforma de análise baseada no Apache Spark otimizada para a plataforma de nuvem do Microsoft Azure. O Databricks está integrado no Azure para prestar configurações com um clique, fluxos de trabalho fluídos e uma área de trabalho interativa que permite a colaboração entre cientistas de dados, engenheiros de dados e analistas empresariais. Utilize código Python, R, Scala e SQL em blocos de notas baseados na Web para consultar, visualizar e modelar dados.
Utilize o Databricks quando quiser colaborar na criação de soluções de machine learning no Apache Spark.
| Item | Description |
|---|---|
| Tipo | Plataforma de análise baseada no Apache Spark |
| Idiomas suportados | Python, R, Scala, SQL |
| Fases de aprendizagem automática | Preparação de dados Pré-processamento de dados Preparação de modelos Ajuste do modelo Inferência de modelos Gestão Implementação |
ML.NET
ML.NET é uma estrutura de aprendizado de máquina de código aberto e multiplataforma. Com o ML.NET, você pode criar soluções personalizadas de aprendizado de máquina e integrá-las em seus aplicativos .NET. ML.NET oferece níveis variados de interoperabilidade com estruturas populares como TensorFlow e ONNX para treinamento e pontuação de modelos de aprendizado de máquina e aprendizado profundo. Para tarefas que consomem muitos recursos, como treinar modelos de classificação de imagens, você pode aproveitar o Azure para treinar seus modelos na nuvem.
Utilize o ML.NET quando quiser integrar soluções de machine learning nas suas aplicações .NET. Escolha entre a API para uma experiência code-first e o Model Builder ou a CLI para uma experiência low-code.
| Item | Description |
|---|---|
| Tipo | Estrutura multiplataforma de código aberto para desenvolver aplicativos de aprendizado de máquina personalizados com .NET |
| Idiomas suportados | C#, F# |
| Fases de aprendizagem automática | Preparação de dados Formação Implementação |
| Principais vantagens | Experiência em ciência de dados e aprendizado de máquina não necessária Usar ferramentas e idiomas familiares (Visual Studio, Microsoft Visual Studio Code) Implantar onde o .NET é executado Extensível Dimensionável Primeira experiência local |
Aprendizagem automática do Windows
O mecanismo de inferência de aprendizado de máquina do Windows permite que você use modelos de aprendizado de máquina treinados em seus aplicativos, avaliando modelos treinados localmente em dispositivos Windows 10.
Use o aprendizado de máquina do Windows quando quiser usar modelos de aprendizado de máquina treinados em seus aplicativos do Windows.
| Item | Description |
|---|---|
| Tipo | Mecanismo de inferência para modelos treinados em dispositivos Windows |
| Idiomas suportados | C#/C++, JavaScript |
SinapseML
SynapseML (anteriormente conhecido como MMLSpark) é uma biblioteca de código aberto que simplifica a criação de pipelines de aprendizado de máquina massivamente escaláveis. O SynapseML fornece APIs para uma variedade de diferentes tarefas de aprendizado de máquina, como análise de texto, visão, deteção de anomalias e muitas outras. O SynapseML é construído na estrutura de computação distribuída Apache Spark e compartilha a mesma API que a biblioteca SparkML/MLLib, permitindo que você incorpore perfeitamente modelos SynapseML em fluxos de trabalho existentes do Apache Spark.
O SynapseML adiciona muitas ferramentas de aprendizagem profunda e ciência de dados ao ecossistema do Spark, incluindo a integração perfeita de pipelines do Spark Machine Learning com Light Gradient Boosting Machine (LightGBM), LIME (Model Interpretability) e OpenCV. Você pode usar essas ferramentas para criar modelos preditivos poderosos em qualquer cluster do Spark, como o Azure Databricks ou o Cosmic Spark.
SynapseML também traz recursos de rede para o ecossistema Spark. Com o projeto HTTP no Spark, os usuários podem incorporar qualquer serviço Web em seus modelos SparkML. Além disso, o SynapseML fornece ferramentas fáceis de usar para orquestrar serviços de IA do Azure em escala. Para implantação de nível de produção, o projeto Spark Serving permite serviços Web de alta taxa de transferência e latência de submilissegundos, apoiados pelo cluster Spark.
| Item | Description |
|---|---|
| Tipo | Estrutura de microsserviços e aprendizado de máquina distribuído de código aberto para o Apache Spark |
| Idiomas suportados | Scala 2.11, Java, Python 3.5+, R (beta) |
| Fases de aprendizagem automática | Preparação de dados Preparação de modelos Implementação |
| Principais vantagens | Escalabilidade Compatível com Streaming + Serving Tolerância a falhas |
| Considerações | Requer Apache Spark |
Contribuidores
Este artigo é mantido pela Microsoft. Foi originalmente escrito pelos seguintes contribuidores.
Autor principal:
- Zoiner Tejada | CEO e Arquiteto
Próximos passos
- Para saber mais sobre todos os produtos de desenvolvimento de Inteligência Artificial (IA) disponíveis na Microsoft, consulte Plataforma de IA da Microsoft.
- Para obter treinamento no desenvolvimento de soluções de IA e Machine Learning com a Microsoft, consulte Treinamento do Microsoft Learn.
Recursos relacionados
Comentários
Brevemente: Ao longo de 2024, vamos descontinuar progressivamente o GitHub Issues como mecanismo de feedback para conteúdos e substituí-lo por um novo sistema de feedback. Para obter mais informações, veja: https://aka.ms/ContentUserFeedback.
Submeter e ver comentários