Portal Azure AI Foundry atau studio Azure Machine Learning: Pengalaman mana yang harus saya pilih?
Artikel ini membantu Anda memahami kapan harus menggunakan portal Azure AI Foundry versus Azure Machine Learning. Meskipun ada beberapa tumpang tindih dalam fungsionalitas di setiap pengalaman, artikel ini memberikan gambaran umum tentang kemampuan mereka dan skenario pengembangan yang paling cocok untuk setiap platform.
Portal Azure AI Foundry
portal Azure AI Foundry adalah platform terpadu untuk mengembangkan dan menyebarkan aplikasi AI generatif dan API Azure AI secara bertanggung jawab. Ini termasuk serangkaian kemampuan AI yang kaya, antarmuka pengguna yang disederhanakan dan pengalaman code-first, menawarkan toko satu stop untuk membangun, menguji, menyebarkan, dan mengelola solusi cerdas.
Apakah portal Azure AI Foundry tepat untuk Anda?
Portal Azure AI Foundry dirancang untuk membantu pengembang dan ilmuwan data membangun dan menyebarkan aplikasi AI generatif secara efisien dengan kekuatan penawaran AI Luas Azure.
Kemampuan utama portal Azure AI Foundry
- Bangun bersama sebagai satu tim. Hub portal Azure AI Foundry Anda menyediakan keamanan tingkat perusahaan dan lingkungan kolaboratif, dengan sumber daya dan koneksi bersama ke model, data, dan komputasi yang sudah dilatih sebelumnya.
- Atur pekerjaan Anda. Proyek portal Azure AI Foundry Anda membantu Anda menyimpan status, memungkinkan Anda melakukan iterasi dari ide pertama, ke prototipe pertama, lalu penyebaran produksi pertama. Juga dengan mudah mengundang orang lain untuk berkolaborasi di sepanjang perjalanan ini.
- Gunakan platform pengembangan dan kerangka kerja pilihan Anda, termasuk GitHub, Visual Studio Code, LangChain, Semantic Kernel, AutoGen, dan banyak lagi.
- Temukan dan tolok ukur dari lebih dari 1.600 model.
- Provisikan Model sebagai Layanan (MaaS) melalui API tanpa server dan penyempurnaan yang dihosting.
- Menggabungkan beberapa model, sumber data, dan modalitas.
- Build Retrieval Augmented Generation (RAG) menggunakan data perusahaan yang dilindungi tanpa perlu penyempurnaan.
- Mengatur dan mengelola permintaan rekayasa dan alur Model Bahasa Besar (LLM).
- Desain dan lindungi aplikasi dan API dengan filter dan kontrol yang dapat dikonfigurasi.
- Evaluasi respons model dengan alur evaluasi bawaan dan kustom.
- Sebarkan inovasi AI ke infrastruktur terkelola Azure dengan pemantauan dan tata kelola berkelanjutan di seluruh lingkungan.
- Terus memantau aplikasi yang disebarkan untuk keamanan, kualitas, dan konsumsi token dalam produksi.
Studio Azure Machine Learning
studio Azure Machine Learning adalah platform pembelajaran mesin end-to-end terkelola untuk membangun, menyempurnakan, menyebarkan, dan mengoperasikan model Azure Machine Learning, secara bertanggung jawab dalam skala besar.
Apakah studio Azure Machine Learning tepat untuk Anda?
Azure Pembelajaran Mesin dirancang untuk teknisi pembelajaran mesin dan ilmuwan data.
Kemampuan utama studio Azure Machine Learning
- Bangun dan latih model Azure Pembelajaran Mesin dengan semua jenis komputasi termasuk Spark dan GPU untuk beban kerja AI besar skala cloud.
- Jalankan Azure Pembelajaran Mesin (AutoML) otomatis dan UI seret dan letakkan untuk Azure Pembelajaran Mesin kode rendah.
- Terapkan Azure Pembelajaran Mesin Ops end-to-end dan alur Azure Pembelajaran Mesin yang dapat diulang.
- Gunakan dasbor AI yang bertanggung jawab untuk deteksi bias dan analisis kesalahan.
- Mengatur dan mengelola rekayasa prompt dan alur LLM.
- Sebarkan model dengan titik akhir REST API, real-time, dan inferensi batch.
Perbandingan fitur terperinci
Tabel berikut membandingkan fitur utama portal Azure AI Foundry dan studio Azure Machine Learning:
| Kategori | Fitur | Portal Azure AI Foundry | Studio Azure Machine Learning |
|---|---|---|---|
| Penyimpanan data | Solusi penyimpanan | No | Ya, dengan integrasi sistem file cloud, integrasi OneLake in Fabric, dan Akun Azure Storage. |
| Penyiapan data | Integrasi data ke penyimpanan | Ya, dengan penyimpanan blob, Onelake, Azure Data Lake Storage (ADLS) yang didukung dalam indeks. | Ya, melalui salin dan pasang dengan Akun Azure Storage. |
| Manipulasi data | No | Ya, dalam kode. | |
| Pelabelan data | No | Ya, dengan identifikasi objek, segmentasi instans, segmentasi semantik, teks Named Entity Recognition (NER), integrasi dengan alat dan layanan pelabelan 3P. | |
| Penyimpanan fitur | No | Ya | |
| Silsilah data dan label | No | Ya | |
| Beban kerja Spark | No | Ya | |
| Beban kerja orkestrasi data | No | Tidak, meskipun alur Spark dan Azure Pembelajaran Mesin terlampir tersedia. | |
| Pengembangan dan pelatihan model | Alat code-first untuk ilmuwan data. | Ya, dengan Visual Studio Code. | Ya, dengan Notebook terintegrasi, Jupyter, VS Code, R Studio. |
| Bahasa | Hanya Python. | Python (pengalaman penuh), R, Scala, Java (pengalaman terbatas). | |
| Melacak, memantau, dan mengevaluasi eksperimen | Ya, tetapi hanya untuk eksekusi alur perintah. | Ya, untuk semua jenis eksekusi. | |
| Alat penulisan alur ML | No | Ya, dengan perancang, alat penulisan visual, dan SDK/CLI/API. | |
| AutoML | No | Ya, untuk regresi, klasifikasi, prakiraan rangkaian waktu, visi komputer, dan pemrosesan bahasa alami (NLP). | |
| Target komputasi untuk pelatihan | Tanpa server hanya untuk instans komputasi MaaS dan runtime tanpa server untuk alur permintaan. | Kluster Spark, kluster Azure Pembelajaran Mesin (MPI), dan Azure Arc tanpa server. | |
| Melatih dan menyempurnakan Model Bahasa Besar (LLM) dan model fondasi | Terbatas pada katalog model. | Ya, dengan pelatihan terdistribusi berbasis MPI dan katalog model. | |
| Menilai dan men-debug model Azure Pembelajaran Mesin untuk kewajaran dan penjelasan. | No | Ya, dengan dasbor AI bertanggung jawab build. | |
| AI/LLM Generatif | Katalog LLM | Ya, melalui katalog model, LLM dari Azure OpenAI, Hugging Face, dan Meta. | Ya, melalui katalog model LLM dari Azure OpenAI, Hugging Face, dan Meta. |
| RAG (obrolan perusahaan) | Ya | Ya, melalui alur prompt. | |
| Pemfilteran konten LLM | Ya, melalui keamanan konten AI. | Ya, melalui keamanan konten AI. | |
| Alur perintah | Ya | Ya | |
| Papan peringkat/tolok ukur | Ya | No | |
| Sampel perintah | Ya | No | |
| Alur kerja LLM/LLMOps/MLOps | Playground | Ya | No |
| Eksperimen dan perintah pengujian | Ya, melalui taman bermain, kartu model, dan alur perintah. | Ya, melalui kartu model dan alur prompt. | |
| Mengembangkan alur kerja | Ya, melalui alur prompt, integrasi dengan LangChain, dan Semantic Kernel. | Ya, melalui alur prompt, integrasi dengan LangChain, dan Semantic Kernel. | |
| Menyebarkan alur kerja sebagai titik akhir | Ya, melalui alur prompt. | Ya, melalui alur prompt. | |
| Kontrol versi alur | Ya, melalui alur prompt. | Ya, melalui alur prompt. | |
| Evaluasi bawaan | Ya, melalui alur prompt. | Ya, melalui alur prompt. | |
| Integrasi Git | Ya | Ya | |
| CI/CD | Ya, melalui pengalaman pertama kode dalam alur prompt, terintegrasi dengan Azure DevOps dan GitHub. | Ya, melalui pengalaman pertama kode dalam alur prompt, terintegrasi dengan Azure DevOps dan GitHub. | |
| Registri model | No | Ya, melalui MIFlow dan registri. | |
| Registri model organisasi | No | Ya, melalui registri. | |
| Penyebaran model | Opsi penyebaran untuk penyajian real time | Titik akhir online Models as a Service (MaaS) untuk katalog MaaP. | No |
| Opsi penyebaran untuk penyajian batch | No | Titik akhir batch, Dukungan Azure Arc terkelola dan tidak terkelola. | |
| Keamanan perusahaan | AI Hub | Ya, kelola dan atur aset AI. | Ya, untuk Azure Pembelajaran Mesin dan LLM klasik. |
| Jaringan privat | Ya | Ya | |
| Pencegahan kehilangan data | Ya | Ya | |
| Klasifikasi data | No | Ya, melalui Purview. |