AI Studio 或 Azure Machine Learning：我應選擇哪種體驗比較好呢？
這篇文章能協助您瞭解何時適合使用 Azure AI Studio 與 Azure Machine Learning。 雖然每種體驗的功能有一些重疊，但本文將概述它們的功能以及最適合每個平台的開發情境。
Azure AI Studio
Azure AI Studio 是一個統一的平臺，可負責開發和部署產生式 AI 應用程式和 Azure AI API。 它包含豐富的人工智慧功能、簡化的使用者介面和代碼至上的體驗，提供一站式建置、測試、部署和管理智慧型解決方案。
AI Studio 適合您嗎？
Azure AI Studio 旨在協助開發人員和資料科學家利用 Azure 廣泛的 AI 產品功能，有效率地建立和部署生成式 AI 應用程式。
Azure AI Studio 的主要功能
- 以小組形式共同建置。 您的 AI Studio 中樞資源 會提供企業級的安全性，以及具有共用資源和連線至預先定型模型、資料和計算的共同作業環境。
- 組織您的工作。 您的 AI Studio 專案 可協助您儲存狀態，讓您從第一個想法、第一個原型到第一個生產環境部署逐一查看。 也可以輕鬆邀請其他人在此旅程中共同作業。
- 使用您偏好的開發平台和框架，包括 GitHub、Visual Studio Code、LangChain、Semantic Kernel、AutoGen 等。
- 從超過 1,600 種機型中發掘和比較。
- 透過無伺服器 API 和託管微調提供模型即服務 (MaaS)。
- 結合多種模型、資料來源和模式。
- 使用您受保護的企業資料建立檢索增強生成 (RAG)，無需微調。
- 協調和管理提示工程與大型語言模型 (LLM) 流程。
- 使用可設定的過濾器和控制項設計並保護應用程式和 API。
- 使用內建及自訂的評估流程評估模型回應。
- 透過持續監視和治理環境，將 AI 創新部署至 Azure 的受控基礎結構。
- 在生產環境中持續監控已部署的應用程式,以確保安全性、品質和權杖使用量。
Azure Machine Learning Studio
Azure Machine Learning 工作室 是種受控的端到端機器學習平台，可用來進行大規模建置、微調、部署並操作 Azure Machine Learning 模型，所有事物全都能盡心盡力達成。
Azure Machine Learning Studio 是否適合您？
Azure Machine Learning 是為機器學習工程師和資料科學家所設計的。
Azure Machine Learning 工作室的主要功能
- 使用任何類型的運算 (包括 Spark 和 GPU)，組建並訓練 Azure Machine Learning 模型，方便處理大規模的雲端 AI 工作負載。
- 針對低程式代碼 Azure Machine Learning，執行自動化 Azure Machine Learning (AutoML) 和拖放功能 UI。
- 執行端到端 Azure Machine LearningOps 和可重複的 Azure Machine Learning 管線。
- 使用負責任的 AI 儀表板進行偏差檢測和錯誤分析。
- 協調和管理工程與 LLM 流程。
- 使用 REST API 端點、即時和批次推論來部署模型。
詳細的功能比較
下表比較了 Azure AI Studio 和 Azure Machine Learning 工作室的主要功能：
| 類別 | 功能 | Azure AI Studio | Azure Machine Learning Studio |
|---|---|---|---|
| 資料存放區 | 儲存方案 | No | 是的，具有雲端檔案系統整合、OneLake in Fabric 整合以及 Azure 儲存帳戶。 |
| 資料準備 | 資料整合至儲存空間 | 是的，索引中支援 blob 儲存、Onelake、Azure Data Lake Storage (ADLS)。 | 是的，透過 Azure 儲存帳戶複製和掛載。 |
| 資料整頓 | No | 是的，在程式碼中。 | |
| 資料標記 | No | 有，包括物件識別、執行個體分割、語義分割、文字具名實體辨識 (NER)、與 3P 標籤工具和服務整合。 | |
| 功能存放區 | No | Yes | |
| 資料脈絡與標籤 | No | Yes | |
| Spark 工作負載 | No | Yes | |
| 資料協調工作負載 | No | 沒有，雖然已附加 Spark 和 Azure Machine Learning 管道。 | |
| 模型開發和定型 | 適用於資料科學家的程式碼第一工具。 | 是的，使用 VS Code。 | 是的，有整合式 Notebooks、Jupyter、VS Code、R Studio。 |
| 語言 | 僅限 Python。 | Python（豐富體驗）、R、Scala、Java（有限體驗）。 | |
| 追蹤、監控和評估實驗 | 是的，但僅適用於快速流量運行。 | 是的，適用於所有運行類型。 | |
| ML 管線撰寫工具 | No | 是的，使用設計器、視覺化撰寫工具和 SDK/CLI/API。 | |
| AutoML | No | 是的，適用於迴歸、分類、時序預測、電腦視覺和自然語言處理 (NLP)。 | |
| 運算訓練目標 | 無伺服器僅適用於 MaaS 計算實體，而無伺服器運行時間則適用於提示流。 | Spark 集群、Azure 機器學習集群 (MPI) 和 Azure Arc 無伺服器。 | |
| 訓練和微調大型語言模型 (LLM) 和基礎模型 | 僅限於目錄。 | 是的，使用基於 MPI 的分散式訓練和模型目錄。 | |
| 評定並偵錯 Azure Machine Learning 模型的公平性和可解釋性。 | No | 是的，使用內建的 Responsible AI 面板。 | |
| Generative AI/LLM | LLM 目錄 | 是的，透過模型目錄、Azure OpenAI、Hugging Face 和 Meta 的 LLM。 | 是的，透過 Azure OpenAI、Hugging Face 和 Meta 的模型目錄 LLM。 |
| RAG (企業聊天) | Yes | 是的，透過即時流程。 | |
| LLM 內容過濾 | 是的，透過 AI 內容安全。 | 是的，透過 AI 內容安全。 | |
| 提示流程 | Yes | Yes | |
| 排行榜/基準 | 是 | No | |
| 提示範例 | 是 | No | |
| LLM 工作流程/LLMOps/MLOps。 | 遊樂場 | 是 | No |
| 實驗和測試提示 | 是的，透過遊樂場、模型卡和提示流程。 | 是的，通過模型卡和提示流程。 | |
| 開發工作流程 | 是的，透過提示流程、與 LangChain 整合以及 Semantic Kernel。 | 是的，透過提示流程、與 LangChain 整合以及 Semantic Kernel。 | |
| 將工作流程部署為端點 | 是的，透過即時流程。 | 是的，透過即時流程。 | |
| 流程版本控制 | 是的，透過即時流程。 | 是的，透過即時流程。 | |
| 內建評估 | 是的，透過即時流程。 | 是的，透過即時流程。 | |
| Git 整合 | Yes | Yes | |
| 持續整合與持續傳遞 | 是的，透過與 Azure DevOps 和 GitHub 整合的 prompt flow 中的 code-first 體驗。 | 是的，透過與 Azure DevOps 和 GitHub 整合的 prompt flow 中的 code-first 體驗。 | |
| 模型登錄 | No | 是的，透過 MIFlow 和註冊表。 | |
| 組織模式登錄 | No | 是的，透過註冊處。 | |
| 模型部署 | 即時服務的部署選項 | 適用於 MaaP 目錄的模型即服務 (MaaS) 線上端點。 | No |
| 批次服務的部署選項 | No | 批次端點、已管理與未管理 Azure Arc 支援。 | |
| 企業安全性 | AI 中樞 | 是的，管理和治理 AI 資產。 | 是的，同時也適用於傳統 Azure Machine Learning 和大型語言模型 (LLM)。 |
| 私人網路 | Yes | Yes | |
| 資料外洩防護 | Yes | Yes | |
| 資料分類 | No | 是的，透過 Purview。 |