Aracılığıyla paylaş

Yapay zeka mimarisi tasarımı

  • Makale

Yapay zeka, makinelerin akıllı insan davranışlarını taklit etmesine olanak tanıyan bir teknolojidir. Makineler yapay zeka kullanarak:

  • Görüntü ve video oluşturmak için verileri analiz edin.
  • Konuşmayı analiz edin ve sentezleyin.
  • Doğal yollarla sözlü olarak etkileşime geçin.
  • Tahminler yapın ve yeni veriler oluşturun.

İşlevleri gerçekleştirmek veya geleneksel mantığın veya işlemenin etkili bir şekilde işleyebileceği kararlar almak için yapay zekayı uygulamalara dahil edebilirsiniz. Çözüm tasarlayan bir mimar olarak yapay zeka ve makine öğrenmesi ortamını ve Azure çözümlerini iş yükü tasarımınızla nasıl tümleştirebileceğinizi anlamak önemlidir.

Kullanmaya başlama

Azure Mimari Merkezi senaryonuza uygulayabileceğiniz örnek mimariler, mimari kılavuzları, mimari temelleri ve fikirler sağlar. Yapay zeka ve makine öğrenmesi bileşenlerini içeren iş yüklerinin Azure Well-Architected Framework yapay zeka iş yükleri yönergeleri izlemesi gerekir. Bu kılavuz, beş mimari yapısında yapay zeka ve makine öğrenmesi iş yükünü etkileyen ilkeler ve tasarım kılavuzları içerir. Bu önerileri Azure Mimari Merkezi'ndeki senaryolara ve içeriğe uygulamalısınız.

Yapay zeka kavramları

Yapay zeka kavramları, makinelerin genellikle insan zekası gerektiren görevleri gerçekleştirmesini sağlayan çok çeşitli teknolojileri ve metodolojileri kapsar. Aşağıdaki bölümlerde temel yapay zeka kavramlarına genel bir bakış sağlanmaktadır.

Algoritmalar

Algoritmaları veya makine öğrenmesi algoritmaları, kullanıcıların karmaşık veri kümelerinde keşfetmesine, analiz etmesine ve anlam bulmasına yardımcı olan kod parçalarıdır. Her algoritma, bir makinenin belirli bir hedefe ulaşmak için izleyebileceğiniz belirsiz adım adım yönergelerden oluşan sonlu bir kümedir. Makine öğrenmesi modelinin amacı, insanların tahminlerde bulunmak veya bilgileri kategorilere ayırmak için kullanabileceği desenler oluşturmak veya keşfetmektir. Algoritma, bir evcil hayvanın kedi, köpek, balık, kuş veya kertenkele olup olmadığının nasıl belirleneceğini açıklayabilir. Çok daha karmaşık bir algoritma, yazılı veya konuşulan bir dili tanımlamayı, sözcüklerini analiz etme, farklı bir dile çevirmeyi ve ardından çevirinin doğruluğunu denetlemeyi açıklayabilir.

Görevinize en uygun algoritma ailesini seçin. İş yükünüz için uygun olan uygunluğu bulmak için aile içindeki çeşitli algoritmaları değerlendirin. Daha fazla bilgi için bkz. Makine öğrenmesi algoritmaları nedir?.

Makine öğrenimi

Makine öğrenmesi , tahmine dayalı modeller oluşturmak için algoritmaları kullanan bir yapay zeka tekniğidir. Bu algoritmalar veri alanlarını ayrıştırır ve verilerdeki desenlerden "öğrenerek" modeller oluşturur. Modeller daha sonra yeni verilere göre bilinçli tahminler veya kararlar alabilir.

Tahmine dayalı modeller bilinen verilerle doğrulanır, belirli iş senaryoları için performans ölçümleriyle ölçülür ve sonra gerektiğinde ayarlanır. Bu öğrenme ve doğrulama sürecine eğitim adı verilir. Düzenli aralıklarla yeniden eğitme sayesinde makine öğrenmesi modelleri zaman içinde iyileştirir.

İş yükü tasarımınızda, senaryonuz gelecekteki durumları tahmin etmek için güvenilir bir şekilde kullanabileceğiniz geçmiş gözlemler içeriyorsa makine öğrenmesini kullanabilirsiniz. Bu gözlemler, bir hayvan türünü başka bir hayvandan algılayan görüntü işleme gibi evrensel gerçekler olabilir. Veya bu gözlemler, geçmiş garanti talebi verilerine göre montaj hatlarınızda olası bir montaj hatasını algılayan görüntü işleme gibi durumunuzla ilgili olabilir.

Daha fazla bilgi için bkz. Makine öğrenmesi nedir?.

Derin öğrenme

Derin öğrenme, kendi veri işleme yoluyla öğrenebilen bir makine öğrenmesi türüdür. Makine öğrenmesi gibi verileri analiz etmek için de algoritmalar kullanır. Ancak birçok giriş, çıkış ve işleme katmanı içeren yapay sinir ağları aracılığıyla verileri analiz eder. Her katman verileri farklı bir şekilde işleyebilir. Bir katmanın çıkışı, bir sonraki katman için giriş olur. Bu işlem, derin öğrenmenin geleneksel makine öğrenmesinden daha karmaşık modeller oluşturmasına olanak tanır.

Derin öğrenme, yüksek oranda özelleştirilmiş veya keşif modelleri oluşturmak için büyük bir yatırım gerektirir. İş yükünüz için derin öğrenme eklemeden önce bu makaledeki diğer çözümleri göz önünde bulundurabilirsiniz.

Daha fazla bilgi için bkz. Derin öğrenme nedir?.

Üretici AI

Oluşturucu Yapay Zeka modelleri doğal dil, görüntü işleme, ses veya görüntü girişi gibi birçok içerik biçimine göre özgün içerik oluşturacak şekilde eğitmektedir. Üretken yapay zeka ile istediğiniz çıkışı günlük dilde açıklayabilirsiniz ve model uygun metin, görüntü ve kod oluşturarak yanıt verebilir. Üretici yapay zeka uygulamalarına örnek olarak Microsoft Copilot ve Azure OpenAI Hizmeti verilebilir.

  • Copilot öncelikle kod, belge ve diğer metin tabanlı içerik yazmanıza yardımcı olan bir kullanıcı arabirimidir. Popüler OpenAI modellerini temel alır ve çok çeşitli Microsoft uygulamaları ve kullanıcı deneyimleri ile tümleşiktir.

  • Azure OpenAI o1-preview, o1-mini, GPT-4o, GPT-4o mini, GPT-4 Turbo with Vision, GPT-4, GPT-3.5-Turbo ve Embeddings model serisi gibi OpenAI'nin güçlü dil modellerine erişim sağlayan bir hizmet olarak geliştirme platformudur. Bu modelleri aşağıdakiler gibi belirli görevlerinize uyarlayabilirsiniz:

    • İçerik oluşturma.
    • İçerik özetleme.
    • Görüntü anlama.
    • Anlamsal arama.
    • Kod çevirisi için doğal dil.

Dil modelleri

Dil modelleri, metin oluşturma ve yaklaşım analizi gibi doğal dil işleme görevlerine odaklanan bir yapay zeka alt kümesidir. Bu modeller, belirli bir bağlamda gerçekleşen sözcüklerin veya sözcük dizilerinin olasılığına göre doğal dili temsil eder.

Geleneksel dil modelleri, modellerin belirli görevler için iyi etiketlenmiş metin veri kümeleri üzerinde eğitildiği araştırma amacıyla denetimli ayarlarda kullanılır. Önceden eğitilmiş dil modelleri, yapay zekayı kullanmaya başlamak için erişilebilir bir yol sunar. Bunlar son yıllarda daha yaygın olarak kullanılmaktadır. Bu modeller derin öğrenme sinir ağları aracılığıyla internetten büyük ölçekli metin koleksiyonları üzerinde eğitilir. Belirli görevler için daha küçük veri kümelerinde ince ayar yapabilirsiniz.

Parametre sayısı veya ağırlıklar, dil modelinin boyutunu belirler. Parametreler, modelin giriş verilerini işleme ve çıkış oluşturma şeklini etkiler. Eğitim sırasında model, tahminleri ile gerçek veriler arasındaki farkı en aza indirmek için ağırlıkları ayarlar. Bu işlem, modelin parametreleri öğrenme yöntemidir. Bir modelde ne kadar çok parametre varsa o kadar karmaşık ve açıklayıcıdır. Ancak eğitmek ve kullanmak da hesaplama açısından daha pahalıdır.

Genel olarak, küçük dil modellerinde genellikle 10 milyardan az parametre vardır ve büyük dil modellerinde 10 milyardan fazla parametre vardır. Örneğin, Microsoft Phi-3 model ailesinin üç sürümü vardır:

  • Mini, 3,8 milyar parametre
  • Küçük, 7 milyar parametre
  • Orta, 14 milyar parametre

Daha fazla bilgi için bkz. Dil modeli kataloğu.

Copilots

Dil modellerinin kullanılabilirliği, dijital yardımcı pilotlar ve bağlı, etki alanına özgü aracılar aracılığıyla uygulamalar ve sistemlerle etkileşim kurmanın yeni yollarının ortaya çıkmasına yol açtı. Copilots genellikle sohbet arabirimleri olarak uygulamalarla tümleşen üretken yapay zeka yardımcılarıdır. Bu uygulamalardaki yaygın görevler için bağlamsal destek sağlar.

Microsoft Copilot, çok çeşitli Microsoft uygulamaları ve kullanıcı deneyimleri ile tümleştirilir. Microsoft dışı geliştiricilerin Copilot ile kullanıcı deneyimini genişletmek veya özelleştirmek için kendi eklentilerini oluşturabilecekleri açık bir mimariyi temel alır. İş ortağı geliştiricileri aynı açık mimariyi kullanarak kendi yardımcı pilotlarını da oluşturabilir.

Daha fazla bilgi için aşağıdaki kaynaklara bakın:

Geri Getirme Destekli Üretim

Geri Getirme Destekli Üretim (RAG), ChatGPT gibi yalnızca genel veriler üzerinde eğitilen büyük bir dil modelinin (LLM) özelliklerini geliştiren mimari bir desendir. Kullanıcı isteği bağlamında ilgili bağlantı verileri sağlayan bir geri getirme sistemi eklemek için bu düzeni kullanabilirsiniz. Bilgi alma sistemi, bir dil modelinin yanıt formüle ederken kullandığı topraklama verileri üzerinde denetim sağlar. RAG mimarisi, üretici yapay zekayı vektörleştirilmiş belgelerden, görüntülerden ve diğer veri biçimlerinden alınan içerikle kapsamanıza yardımcı olur. RAG, vektör arama depolama alanıyla sınırlı değildir. Herhangi bir veri deposu teknolojisini kullanabilirsiniz.

Daha fazla bilgi için bkz. Tasarım ve GELIŞTIRME RAG çözümü ve Vektör aramaiçin Azure hizmeti seçme.

Azure Yapay Zeka Hizmetleri

Azure yapay zeka hizmetleriyle geliştiriciler ve kuruluşlar akıllı, pazara hazır ve sorumlu uygulamalar oluşturmak için hazır, önceden oluşturulmuş ve özelleştirilebilir API'leri ve modelleri kullanabilir. Kullanım örnekleri konuşmalar, arama, izleme, çeviri, konuşma, görme ve karar alma için doğal dil işlemeyi içerir.

Daha fazla bilgi için aşağıdaki kaynaklara bakın:

Yapay zeka dil modelleri

OpenAI GPT modelleri gibi LLM'ler,, çeşitli alanlar ve görevler arasında doğal dil oluşturabilen güçlü araçlardır. Model seçmek için veri gizliliği, etik kullanım, doğruluk ve yanlılık gibi faktörleri göz önünde bulundurun.

Phi açık modeller , üretken yapay zeka çözümleri için küçük ve daha az işlem yoğunluklu modellerdir. Küçük bir dil modeli LLM'den daha verimli, yorumlanabilir ve açıklanabilir olabilir.

Bir iş yükü tasarlarken, dil modellerini tarifeli API'nin arkasında barındırılan bir çözüm olarak kullanabilirsiniz. Alternatif olarak, birçok küçük dil modeli için dil modellerini işlem içinde veya en azından tüketiciyle aynı hesaplama biriminde barındırabilirsiniz. Çözümünüzde dil modellerini kullanırken, kullanım örneğiniz için iyileştirilmiş bir çözüm sağlamaya yardımcı olmak için tercih ettiğiniz dil modelini ve kullanılabilir barındırma seçeneklerini göz önünde bulundurun.

Yapay zeka geliştirme platformları ve araçları

Aşağıdaki yapay zeka geliştirme platformları ve araçları makine öğrenmesi ve yapay zeka modelleri oluşturmanıza, dağıtmanıza ve yönetmenize yardımcı olabilir.

Azure Machine Learning

Azure Machine Learning, model oluşturmak ve dağıtmak için kullanabileceğiniz bir makine öğrenmesi hizmetidir. Machine Learning, makine öğrenmesi modellerinizi ve işlem hatlarınızı büyük ölçekte eğitip dağıtmanız için web arabirimleri ve SDK'lar sunar. PyTorch, TensorFlow ve scikit-learn gibi açık kaynak Python çerçeveleri aracılığıyla bu özellikleri kullanın.

Daha fazla bilgi için aşağıdaki kaynaklara bakın:

Azure için makine öğrenmesi başvuru mimarileri

Otomatik makine öğrenmesi

Otomatik makine öğrenmesi (AutoML), makine öğrenmesi modeli geliştirmenin zaman alan ve yinelemeli görevlerini otomatikleştirme işlemidir. Veri bilimcileri, analistler ve geliştiriciler AutoML'yi kullanarak yüksek ölçek, verimlilik ve üretkenlik ile model kalitesini sürdüren makine öğrenmesi modelleri oluşturabilir.

Daha fazla bilgi için aşağıdaki kaynaklara bakın:

MLflow

Machine Learning çalışma alanları MLflow ile uyumludur. Bu, bir Machine Learning çalışma alanını MLflow sunucusuyla aynı şekilde kullanabileceğiniz anlamına gelir. Bu uyumluluk aşağıdaki avantajları sağlar:

  • Machine Learning, MLflow sunucu örneklerini barındırmaz ancak MLflow API'lerini doğrudan kullanabilir.
  • Makine Öğrenimi'nde çalıştırılsa da çalışmasa da herhangi bir MLflow kodu için izleme sunucusu olarak bir Makine Öğrenimi çalışma alanını kullanabilirsiniz. MLflow'ı izlemenin gerçekleşmesi gereken çalışma alanına işaret eden şekilde yapılandırmanız gerekir.
  • Herhangi bir değişiklik yapmadan Machine Learning'de MLflow kullanan eğitim yordamları çalıştırabilirsiniz.

Daha fazla bilgi için bkz. MLflow ve Machine Learning ve MLflow.

Üretken yapay zeka araçları

  • İstem akışı, fikir oluşturma, prototip oluşturma, test ve değerlendirmeden üretim dağıtımı ve izlemeye kadar üretken yapay zeka uygulamalarının uçtan uca geliştirme döngüsünü kolaylaştırmak için kullanabileceğiniz bir geliştirme araçları paketidir. Modüler bir düzenleme ve akış altyapısında eylemleri ifade ederek hızlı mühendisliği destekler.

  • Azure AI Foundry, kapsamlı bir platformla verimli bir şekilde yapay zeka uygulamaları ve API'leri denemenize, geliştirmenize ve dağıtmanıza yardımcı olur. AI Foundry portalı, yapay zeka modelleri oluşturmanıza, eğitmeye, ince ayar yapmaya ve dağıtmanıza yardımcı olmak için Azure yapay zeka hizmetlerine, temel modellere, oyun alanı ve kaynaklara erişim sağlar. Ayrıca daha iyi performans için model yanıtlarını değerlendirebilir ve istem akışıyla istem uygulama bileşenlerini düzenleyebilirsiniz.

  • Copilot Studio, Microsoft 365'te Copilot'u genişletir. İç ve dış senaryolar için özel yardımcı pilotlar oluşturmak için Copilot Studio'yu kullanabilirsiniz. Yardımcı pilotları tasarlamak, test etmek ve yayımlamak için kapsamlı bir yazma tuvali kullanın. Yapay zeka özellikli konuşmaları kolayca oluşturabilir, mevcut yardımcı pilotlar için daha fazla yanıt denetimi sağlayabilir ve otomatik iş akışlarını kullanarak üretkenliği hızlandırabilirsiniz.

Yapay zeka için veri platformları

Aşağıdaki platformlar veri taşıma, işleme, alma, dönüştürme, gerçek zamanlı analiz ve raporlama için kapsamlı çözümler sunar.

Microsoft Fabric

Microsoft Fabric, birleşik çözüm gerektiren kuruluşlar için uçtan uca bir analiz ve veri platformudur. İş yükü ekiplerine Fabric içindeki verilere erişim izni verebilirsiniz. Platform veri taşıma, işleme, alma, dönüştürme, gerçek zamanlı olay yönlendirme ve rapor oluşturma işlemlerini kapsar. Doku Veri Mühendisi, Doku Veri Fabrikası, Doku Veri Bilimi, Doku Real-Time Intelligence, Doku Veri Ambarı ve Doku Veritabanları gibi kapsamlı bir hizmet paketi sunar.

Doku, ayrı bileşenleri uyumlu bir yığınla tümleştirir. Farklı veritabanlarına veya veri ambarlarına güvenmek yerine OneLake ile veri depolamayı merkezi hale getirebilirsiniz. Yapay zeka yetenekleri, manuel entegrasyon ihtiyacını ortadan kaldıran altyapıya entegre edilmiştir.

Daha fazla bilgi için aşağıdaki kaynaklara bakın:

Dokuda Copilots

Verileri dönüştürmek ve analiz etmek, içgörüler oluşturmak ve Fabric ve Power BI'da görselleştirmeler ve raporlar oluşturmak için Copilot ve diğer üretken yapay zeka özelliklerini kullanabilirsiniz. Kendi yardımcı pilotunuzu oluşturabilir veya aşağıdaki önceden oluşturulmuş yardımcı pilotlardan birini seçebilirsiniz:

Fabric'te yapay zeka becerileri

Verilerinizle ilgili soruları yanıtlayan sorgular oluşturmak üzere üretken bir yapay zeka sistemi yapılandırmak için Doku Yapay Zeka becerisi özelliğini kullanabilirsiniz. Bir yapay zeka becerisini yapılandırdıktan sonra, bu beceriyi iş arkadaşlarınızla paylaşabilir ve sorularını basit bir dilde sorabilirsiniz. Yapay zeka, sorularını temel alarak bu soruları yanıtlayan veriler üzerinde sorgular oluşturur.

Daha fazla bilgi için aşağıdaki kaynaklara bakın:

Yapay zeka için Apache Spark tabanlı veri platformları

Apache Spark, büyük veri analizi uygulamalarının performansını artırmak üzere bellek içi işlemeyi destekleyen paralel işleme altyapısıdır. Spark, bellek içi küme bilgi işlem için temel yapı taşları sağlar. Spark işi verileri belleğe yükleyip önbelleğe alabilir ve tekrar tekrar sorgulayabilir. Bu, Hadoop gibi disk tabanlı uygulamalardan daha hızlıdır.

Microsoft Fabric'te Apache Spark

Fabric Runtime, veri mühendisliği ve veri bilimi deneyimlerinin uygulanmasına ve yönetilmesine olanak tanıyan Apache Spark'ı temel alan Azure ile tümleşik bir platformdur. Fabric Çalışma Zamanı, iç ve açık kaynaklardan önemli bileşenleri bir araya getirir ve kapsamlı bir çözüm sağlar.

Fabric Çalışma Zamanı aşağıdaki temel bileşenlere sahiptir:

  • Apache Spark, büyük ölçekli veri işleme ve analiz görevlerine olanak tanıyan güçlü bir açık kaynak dağıtılmış bilgi işlem kitaplığıdır. Apache Spark, veri mühendisliği ve veri bilimi deneyimleri için çok yönlü ve yüksek performanslı bir platform sağlar.

  • Delta Lake, apache Spark ile bölünmezlik, tutarlılık, yalıtım ve dayanıklılık (ACID) işlemlerini ve diğer veri güvenilirliği özelliklerini tümleştiren bir açık kaynak depolama katmanıdır. Doku Çalışma Zamanı ile tümleştirilen Delta Lake, veri işleme özelliklerini geliştirir ve birden çok eşzamanlı işlemde veri tutarlılığını sağlamaya yardımcı olur.

  • Java, Scala, Python ve R için varsayılan düzeyde paketler, çeşitli programlama dillerini ve ortamlarını destekleyen paketlerdir. Bu paketler otomatik olarak yüklenir ve yapılandırılır, böylece geliştiriciler veri işleme görevleri için tercih ettikleri programlama dillerini uygulayabilir.

Fabric Runtime, çeşitli donanım yapılandırmaları ve sistem gereksinimleriyle uyumluluğu sağlamak için güçlü bir açık kaynak işletim sistemi üzerine inşa edilmiştir.

Daha fazla bilgi için bkz. Doku'da Apache Spark çalışma zamanlarını.

Machine Learning için Azure Databricks Runtime

Azure Databricks tek tıklamayla kurulum, kolaylaştırılmış iş akışları ve veri bilimcileri, mühendisler ve iş analistleri arasında işbirliği için etkileşimli bir çalışma alanı içeren Apache Spark tabanlı bir analiz platformudur.

Dağıtılmış eğitim için gereken tüm kitaplıklarla bir Databricks kümesi başlatmak üzere Machine Learning için Databricks Runtime'ı kullanabilirsiniz. Bu özellik, makine öğrenmesi ve veri bilimi için bir ortam sağlar. TensorFlow, PyTorch, Keras ve XGBoost gibi birden çok popüler kitaplık içerir. Ayrıca Horovod aracılığıyla dağıtılmış eğitimi de destekler.

Daha fazla bilgi için aşağıdaki kaynaklara bakın:

Azure HDInsight'ta Apache Spark

Azure HDInsight'ta Apache Spark, buluttaki Apache Spark'ın Microsoft uygulamasıdır. HDInsight'taki Spark kümeleri Azure Depolama ve Azure Data Lake Storage ile uyumludur, bu nedenle HDInsight Spark kümelerini kullanarak Azure'da depoladığınız verileri işleyebilirsiniz.

SynapseML( eski adıyla MMLSpark), Apache Spark için Microsoft makine öğrenmesi kitaplığıdır. Bu açık kaynak kitaplığı Spark ekosistemine birçok derin öğrenme ve veri bilimi aracı, ağ özellikleri ve üretim sınıfı performans ekler.

Daha fazla bilgi için aşağıdaki kaynaklara bakın:

Yapay zeka için veri depolama

Büyük hacimli verileri verimli bir şekilde depolamak, erişmek ve analiz etmek için aşağıdaki platformları kullanabilirsiniz.

Doku OneLake

OneLake, Fabric'in kuruluşunuzun tamamına uyarlayabileceğiniz birleşik ve mantıksal bir veri gölüdür. Tüm analiz verileri için merkez üssü olarak hizmet verir ve her Fabric kiracısıyla birlikte sunulur. OneLake in Fabric, Data Lake Storage'ın temeli üzerine kurulmuştur.

Dokuda OneLake:

  • Yapılandırılmış ve yapılandırılmamış dosya türlerini destekler.
  • Tüm tablosal verileri Delta-Parquet biçimde depolar.
  • Kiracı sınırları içinde varsayılan olarak yönetilen tek bir veri gölü sağlar.
  • Kuruluşunuzun sahiplik ve erişim ilkelerini dağıtabilmesi için kiracı içinde çalışma alanı oluşturmayı destekler.
  • Verilere erişebileceğiniz göl evleri ve ambarlar gibi çeşitli veri öğelerinin oluşturulmasını destekler.

Daha fazla bilgi için bkz . OneLake, OneDrive verileri.

Data Lake Storage

Data Lake Storage, yapılandırılmış ve yapılandırılmamış verilerinizi depolayabileceğiniz tek ve merkezi bir depodur. Çok çeşitli verileri tek bir konumda hızlı ve kolay bir şekilde depolamak, erişmek ve analiz etmek için bir veri gölü kullanın. Verilerinizi mevcut bir yapıya uyacak şekilde uyumlu hale getirmek zorunda değilsiniz. Bunun yerine, verilerinizi genellikle dosyalar veya ikili büyük nesneler ya da bloblar olarak ham veya yerel biçiminde depolayabilirsiniz.

Data Lake Storage dosya sistemi semantiği, dosya düzeyi güvenlik ve ölçek sağlar. Bu özellikler Azure Blob Depolama üzerinde oluşturulduğundan, yüksek kullanılabilirlik ve olağanüstü durum kurtarma özelliklerine sahip düşük maliyetli, katmanlı depolama da elde edersiniz.

Data Lake Storage, Azure'da kurumsal veri gölleri oluşturmaya yönelik bir temel oluşturmak için Azure Depolama altyapısını kullanır. Data Lake Storage, çok miktarda veriyi yönetebilmeniz için yüzlerce gigabit aktarım hızı sağlarken birden çok petabaytlık bilgiye hizmet verebilir.

Daha fazla bilgi için aşağıdaki kaynaklara bakın:

Yapay zeka için veri işleme

Makine öğrenmesi ve yapay zeka uygulamalarına yönelik verileri hazırlamak için aşağıdaki araçları kullanabilirsiniz. Gelişmiş analiz için kullanabilmeniz için verilerinizin temiz ve yapılandırılmış olduğundan emin olun.

Fabric Data Factory

Veritabanları, veri ambarları, göl evleri ve gerçek zamanlı veri akışları gibi birden çok veri kaynağından veri almak, hazırlamak ve dönüştürmek için Fabric Data Factory'yi kullanabilirsiniz. Bu hizmet, iş yükleri tasarlarken veri işlemleri gereksinimlerinizi karşılamanıza yardımcı olabilir.

Fabric Data Factory kod çözümlerini ve kod içermeyen veya düşük kodlu çözümleri destekler:

  • Bulut ölçeğinde iş akışı özellikleri oluşturmak için veri işlem hatlarını kullanın. Veri akışınızı yenileyebilen, petabayt boyutundaki verileri taşıyabilen ve denetim akışı işlem hatlarını tanımlayabilen iş akışları oluşturmak için sürükle ve bırak arabirimini kullanın.

  • veri akışlarını, yüzlerce veri kaynağından veri almak ve 300'den fazla veri dönüşümü kullanarak dönüştürmek için düşük kodlu bir arabirim olarak kullanın.

Daha fazla bilgi için bkz. Data Factory uçtan uca senaryo: Giriş ve mimari.

Azure Databricks

Özellik mühendisliğini kullanarak bir makine öğrenmesi iş akışı oluşturmak üzere kod yazmak için Databricks Veri Zekası Platformu'nu kullanabilirsiniz. Özellik mühendisliği, ham verileri makine öğrenmesi modellerini eğitmek için kullanabileceğiniz özelliklere dönüştürme işlemidir. Databricks Veri Zekası Platformu, özellik mühendisliğini destekleyen temel özellikler içerir:

  • Veri işlem hatlarını ham verileri alır, özellik tabloları oluşturur, modelleri eğitebilir ve toplu çıkarım gerçekleştirebilirsiniz. Unity Kataloğu'nda bir modeli eğitmek ve günlüğe kaydetmek için özellik mühendisliğini kullandığınızda, model özellik meta verileriyle etiketlenmiştir. Modeli toplu puanlama veya çevrimiçi çıkarım için kullandığınızda, özellik değerlerini otomatik olarak alır. Çağıranın, değerler hakkında bilgi sahibi olması veya yeni verileri değerlendirmek için özellikleri aramak veya birleştirmek amacıyla mantık eklemesi gerekmez.

  • Model ve özellik sunan uç noktalar anında erişilebilir ve milisaniyelik gecikme süresi sağlar.

  • İzleme, verilerin ve modellerin performansını ve doğruluğunu sağlamaya yardımcı olur.

Gömüleri depolamak ve almak için Mozaik AI Vektör Arama'ı da kullanabilirsiniz. Eklemeler, RAG, öneri sistemleri ve görüntü tanıma gibi benzerlik aramaları gerektiren uygulamalar için çok önemlidir.

Daha fazla bilgi için bkz. Azure Databricks: Makine öğrenmesi ve yapay zekaiçin veri sunma.

Yapay zeka için veri bağlayıcıları

Azure Data Factory ve Azure Synapse Analytics işlem hatları kopyalama, veri akışı, arama, meta veri alma ve silme etkinlikleri aracılığıyla birçok veri depolarını ve biçimleri destekler. Kullanılabilir veri deposu bağlayıcılarını, ilgili yapılandırmalar dahil desteklenen özellikleri ve genel Açık Veritabanı Bağlantısı seçeneklerini görmek için bkz. Azure Data Factory ve Azure Synapse Analytics bağlayıcısına genel bakış.

Özel yapay zeka

Özel yapay zeka çözümleri, belirli iş gereksinimlerini ve zorluklarını gidermenize yardımcı olur. Aşağıdaki bölümlerde, özel yapay zeka modelleri oluşturmak ve yönetmek için kullanabileceğiniz çeşitli araçlara ve hizmetlere genel bir bakış sağlanmaktadır.

Azure Machine Learning

Azure Machine Learning, makine öğrenmesi proje yaşam döngüsünü hızlandırmaya ve yönetmeye yönelik bir bulut hizmetidir. Makine öğrenmesi uzmanları, veri bilimcileri ve mühendisler, modelleri eğitmek ve dağıtmak ve makine öğrenmesi işlemlerini yönetmek için günlük iş akışlarında bu hizmeti kullanabilir.

Machine Learning aşağıdaki özellikleri sunar:

  • Algoritma seçimi: Bazı algoritmalar veri yapısı veya istenen sonuçlar hakkında belirli varsayımlarda bulunur. Daha kullanışlı sonuçlar, daha doğru tahminler ve daha hızlı eğitim süreleri elde edebilmeniz için gereksinimlerinize uygun bir algoritma seçin. Daha fazla bilgi için bkz. Machine Learning için algoritmaları seçme.

  • Hiper parametre ayarlama veya iyileştirme : En iyi performansa neden olan hiper parametre yapılandırmalarını bulmak için bu el ile işlemi kullanabilirsiniz. Bu iyileştirme önemli hesaplama maliyetlerine neden olur. Hyperparameters, model eğitim sürecinde denetim sağlayan ayarlanabilir parametrelerdir. Örneğin, her sinir ağı katmanındaki gizli katman sayısını ve düğüm sayısını seçebilirsiniz. Model performansı büyük ölçüde hiper parametrelere bağlıdır.

    Machine Learning'i kullanarak hiper parametre ayarlamasını otomatikleştirebilir ve hiper parametreleri verimli bir şekilde iyileştirmek için denemeleri paralel olarak çalıştırabilirsiniz.

    Daha fazla bilgi için aşağıdaki kaynaklara bakın:

  • Modeli eğitimi:modelleri oluşturmak veya öğretmek için yinelemeli olarak bir algoritma kullanabilirsiniz. Modeller eğitildikten sonra bunları kullanarak verileri analiz edebilir ve tahminlerde bulunabilirsiniz.

    Eğitim aşamasında:

    1. Tek tek alanların tanımlanabilmesi için bir kalite kümesi bilinen veriler etiketlenir.

    2. Belirli bir tahminde bulunmak için yapılandırılmış bir algoritma etiketli verileri alır.

    3. Algoritma, verilerde tanımlamış olduğu desenleri yakalayan bir model oluşturur. Model, bu desenleri temsil etmek için bir parametre kümesi kullanır.

    Doğrulama sırasında:

    1. Yeni veriler etiketlenmiş ve modeli test etmek için kullanılır.

    2. Algoritma gerektiği gibi ayarlanır ve büyük olasılıkla daha fazla eğitim yapar.

    3. Test aşamasında herhangi bir etiket veya önceden seçilmiş hedef olmadan gerçek dünya verileri kullanılır. Modelin sonuçları doğruysa kullanıma hazırdır ve dağıtılabilir.

    Daha fazla bilgi için aşağıdaki kaynaklara bakın:

  • AutoML: Bu işlem, makine öğrenmesi modeli geliştirmenin zaman alan, yinelemeli görevlerini otomatikleştirir. Üretime hazır makine öğrenmesi modelleri üretmek için gereken süreyi önemli ölçüde azaltabilir. AutoML, kapsamlı programlama veya etki alanı bilgisi gerektirmeden model seçimine, hiper parametre ayarlamaya, model eğitimine ve diğer görevlere yardımcı olabilir.

    Machine Learning'in modeli eğitmek ve ayarlamak için belirtilen hedef ölçümü kullanmasını istediğinizde AutoML kullanabilirsiniz. Sorunlara yönelik uçtan uca makine öğrenmesi işlem hattını tanımlamak için veri bilimi uzmanlığına ihtiyacınız yoktur.

    Sektörler genelindeki makine öğrenmesi uzmanları ve geliştiriciler AutoML'yi kullanarak:

    • Kapsamlı programlama veya makine öğrenmesi bilgisi olmadan makine öğrenmesi çözümleri uygulayın.
    • Zaman ve kaynak tasarrufu sağlayın.
    • Veri bilimi en iyi uygulamalarını uygulama.
    • Çevik sorun çözme sağlayın.

    Daha fazla bilgi için bkz. AutoML nedir?.

  • Puanlama:tahminolarak da adlandırılan bu işlem, yeni giriş verilerine dayalı değerler oluşturmak için eğitilmiş bir makine öğrenmesi modeli kullanır. Değerler veya puanlar gelecekteki değerlerin tahminlerini temsil edebilir, ancak olası bir kategoriyi veya sonucu da temsil edebilir.

    Daha fazla bilgi için aşağıdaki kaynaklara bakın:

  • Özellik mühendisliği ve özellik kazandırma: Eğitim verileri satır ve sütunlardan oluşur. Her satır bir gözlem veya kayıttır ve her satırın sütunları her kaydı açıklayan özelliklerdir. Genellikle, verilerdeki desenleri en iyi niteleyen özellikler tahmine dayalı modeller oluşturmak için seçilir.

Bir modeli eğitmek için birçok ham veri alanını kullanabilirsiniz, ancak verilerdeki desenleri daha iyi ayırt etmek için bilgi sağlayan başka mühendislik özellikleri oluşturmanız gerekebilir. Bu işleme, makine öğrenmesi algoritmalarının daha iyi öğrenmesine yardımcı olacak özellikler oluşturmak için verilerin etki alanı bilgisini kullandığınız özellik mühendisliği adı verilir.

Machine Learning'de özellik mühendisliğini kolaylaştırmak için veri ölçeklendirme ve normalleştirme teknikleri uygulanır. Bu teknikler ve özellik mühendisliği, AutoML denemelerinde özellik geliştirme olarak adlandırılır. Daha fazla bilgi için bkz. Otomatik makine öğreniminde veri özelleştirme.

Azure OpenAI

Azure OpenAI'de, OpenAI modellerini kişisel veri kümelerinize uyarlamak için ince ayar olarak bilinen bir işlemi kullanabilirsiniz. Bu özelleştirme adımı aşağıdakileri sağlayarak hizmeti iyileştirir:

  • Yalnızca istem mühendisliği karşılaştırıldığında daha yüksek kaliteli sonuçlar.
  • Bir modelin maksimum istek bağlam sınırının genellikle izin verdiğinden daha fazla örnek üzerinde eğitim yapabilme yeteneği.
  • Daha kısa istemler sayesinde belirteç tasarrufu.
  • Özellikle daha küçük modeller kullandığınızda daha düşük gecikme süreli istekler.

Daha fazla bilgi için aşağıdaki kaynaklara bakın:

Özel yapay zeka için Azure yapay zeka hizmetleri

Azure AI hizmetleri özel yapay zeka modelleri ve uygulamaları oluşturmaya yönelik özellikler sağlar. Aşağıdaki bölümlerde bu temel özelliklere genel bir bakış sağlanır.

Özel konuşma

Özel konuşma , Azure AI Konuşma Tanıma hizmetinin bir özelliğidir. Uygulamalarınız ve ürünleriniz için konuşma tanımanın doğruluğunu değerlendirmek ve geliştirmek için özel konuşma kullanabilirsiniz. Gerçek zamanlı konuşmayı metne dönüştürme, konuşma çevirisi ve toplu transkripsiyon için özel konuşma modeli kullanın.

Varsayılan olarak, konuşma tanıma temel model olarak evrensel bir dil modeli kullanır. Bu model Microsoft'a ait verilerle eğitilir ve yaygın olarak kullanılan konuşulan dili yansıtır. Temel model, çeşitli ortak etki alanlarını temsil eden diyalektler ve fonetiklerle önceden eğitilir. Bir konuşma tanıma isteği yaptığınızda, desteklenen diliniz için en son temel model varsayılan olarak kullanılır. Temel model çoğu konuşma tanıma senaryosunda iyi çalışır.

Temel modeli artırmak için özel bir model kullanabilirsiniz. Örneğin, modeli eğitmek için metin verileri sağlayarak bir uygulamaya özgü etki alanına özgü sözcük dağarcığının tanınmasını geliştirebilirsiniz. Ayrıca, başvuru transkripsiyonları dahil olmak üzere ses verileri sağlayarak uygulamanın belirli ses koşulları için tanımayı geliştirebilirsiniz.

Veriler bir desene uyarsa, modeli eğitmek için yapılandırılmış metin kullanabilirsiniz. Özel söylenişler belirtebilir ve özel ters metin normalleştirmesi, özel yeniden yazma ve özel küfür filtreleme ile görüntüleme metni biçimlendirmesini özelleştirebilirsiniz.

Özel çevirmen

Özel çeviri, Azure AI Translator hizmetinin bir özelliğidir. Kuruluşlar, uygulama geliştiricileri ve dil hizmeti sağlayıcıları özelleştirilmiş nöral makine çevirisi (NMT) sistemleri oluşturmak için özel çevirmen kullanabilir. Özelleştirilmiş çeviri sistemleri mevcut uygulamalar, iş akışları ve web siteleriyle sorunsuz bir şekilde tümleştirilir.

Bu özelliği kullanarak İngilizceye ve İngilizceden özel çeviri sistemleri derleyebilir ve yayımlayabilirsiniz. Özel çeviri, NMT dillerine doğrudan eşleyen üç düzineden fazla dili destekler. Dillerin tam listesi için bkz. Translator dil desteği.

Özel çevirmen aşağıdaki özellikleri sunar.

Özellik Açıklama
NMT teknolojisini uygulama Özel çevirmeni kullanarak çevirinize NMT uygulayın ve çevirinizi geliştirin.
İş terminolojinizi bilen sistemler geliştirin İşletmenizdeki ve sektörünüzdeki terminolojiyi anlayan paralel belgeler kullanarak çeviri sistemlerini özelleştirin ve oluşturun.
Modellerinizi oluşturmak için sözlük kullanma Eğitim veri kümeniz yoksa modeli yalnızca sözlük verileriyle eğitin.
Başkalarıyla işbirliği yapma Çalışmanızı çeşitli kişilerle paylaşarak ekibinizle işbirliği yapın.
Özel çeviri modelinize erişme Microsoft Translator Metin Çevirisi API'sini V3 aracılığıyla mevcut uygulamalarınızı veya programlarınızı kullanarak istediğiniz zaman özel çeviri modelinize erişin.

Azure AI Belge Zekası özel modelleri

Azure AI Document Intelligence , belgeleri tanımlamak, form ve belgelerden bilgileri algılamak ve ayıklamak ve ayıklanan verileri yapılandırılmış bir JSON çıkışında döndürmek için gelişmiş makine öğrenmesi teknolojisini kullanır. Önceden oluşturulmuş veya önceden eğitilmiş belge analizi modellerinden veya eğitilmiş tek başına özel modellerden yararlanmak için Belge Zekası'ni kullanın.

Belge Zekası özel modelleri ayıklama modelini çağırmadan önce belge türünü tanımlamanız gereken senaryolar için özel sınıflandırma modelleri içerir. İşletmenize özgü form ve belgelerden alanları analiz etmek ve ayıklamak için sınıflandırma modelini özel ayıklama modeliyle eşleştirebilirsiniz. tek başına özel ayıklama modellerini birleştirerek bileşik modeller oluşturun.

Özel yapay zeka araçları

Önceden oluşturulmuş yapay zeka modelleri kullanışlı ve giderek daha esnektir, ancak yapay zekayı iyileştirmenin en iyi yolu modeli özel ihtiyaçlarınıza göre uyarlamaktır. Özel yapay zeka modelleri oluşturmaya ilişkin iki birincil araç, üretken yapay zeka ve geleneksel makine öğrenimidir.

Azure Machine Learning Studio

Azure Machine Learning studio, makine öğrenmesi proje yaşam döngüsünü hızlandırmaya ve yönetmeye yönelik bir bulut hizmetidir. Makine öğrenmesi uzmanları, veri bilimcileri ve mühendisler, modelleri eğitmek ve dağıtmak ve makine öğrenmesi işlemlerini yönetmek için günlük iş akışlarında kullanabilir.

  • Bulut ölçeğinde büyük yapay zeka iş yükleri için Spark ve GPU'lar dahil olmak üzere her türlü işlemi kullanarak Machine Learning modelleri oluşturun ve eğitin.

  • AutoML'yi çalıştırın ve düşük kodlu Machine Learning için sürükle ve bırak kullanıcı arabirimini kullanın.

  • Uçtan uca Machine Learning işlemlerini ve yinelenebilir işlem hatlarını uygulayın.

  • Sapma algılama ve hata analizi için sorumlu yapay zeka panosunu kullanın.

  • İstem mühendisliği ve LLM akışlarını düzenleme ve yönetme.

  • REST API uç noktaları, gerçek zamanlı çıkarım ve toplu çıkarım aracılığıyla modelleri dağıtın.

  • BT idaresini merkezileştirirken işlem, kota, güvenlik ve şirket kaynaklarıyla bağlantıyı paylaşmak için merkez çalışma alanlarını kullanın. Bir hub'ı bir kez ayarlayın, ardından her proje için doğrudan stüdyodan güvenli çalışma alanları oluşturun. Ekibinizin stüdyodaki ve AI Foundry portalındaki çalışmalarını yönetmek için hub'ları kullanın.

AI Foundry

AI Foundry, geniş Azure yapay zeka tekliflerinin gücüyle özel üretken yapay zeka uygulamalarını verimli bir şekilde oluşturmanıza ve dağıtmanıza yardımcı olur.

  • Tek bir ekip olarak birlikte oluşturun. AI Foundry hub'ınız, kurumsal düzeyde güvenlik ve önceden eğitilmiş modeller, veriler ve işlem için paylaşılan kaynaklar ve bağlantılar içeren işbirliği ortamı sağlar.

  • Çalışmanızı düzenleyin. AI Foundry projeniz, ilk fikirden ilk prototipe ve ilk üretim dağıtımına kadar yineleme yapmak için durumu kaydetmenize yardımcı olur. Başkalarını sizinle işbirliği yapmaya kolayca davet edin.

  • GitHub, Visual Studio Code, LangChain, Semantic Kernel ve AutoGen gibi tercih ettiğiniz geliştirme platformlarını ve çerçevelerini kullanın.

  • 1.600'den fazla modeli keşfedin ve kıyaslayın.

  • Sunucusuz API'ler ve barındırılan ince ayarlamalar aracılığıyla Modelleri Hizmet olarak (MaaS) sağlayın.

  • Birden çok modeli, veri kaynağını ve modaliteyi bir araya getir.

  • Hassas ayarlamaya gerek kalmadan korumalı kurumsal verilerinizi kullanarak RAG oluşturun.

  • İstem mühendisliği ve LLM akışlarını düzenleme ve yönetme.

  • Yapılandırılabilir filtreler ve denetimler aracılığıyla uygulamaları ve API'leri tasarlayıp koruma.

  • Yerleşik ve özel değerlendirme akışlarını kullanarak model yanıtlarını değerlendirin.

  • Ortamlar arasında sürekli izleme ve idare sağlamak için Azure tarafından yönetilen altyapıya yapay zeka yeniliklerini dağıtın.

  • Üretimde güvenlik, kalite ve belirteç tüketimi için dağıtılan uygulamaları sürekli izleyin.

Daha fazla bilgi için bkz. AI Foundry portalı ile Machine Learning Studiokarşılaştırması.

AI Foundry portalında istem akışı

AI Foundry portalında İstem akışı, LLM'ler tarafından desteklenen yapay zeka uygulamalarının geliştirme döngüsünü kolaylaştırmak için kullanabileceğiniz bir geliştirme aracıdır. İstem akışı; yapay zeka uygulamalarınız için prototip oluşturma, deneme, yineleme ve dağıtma süreçlerini basitleştiren kapsamlı bir çözüm sağlar.

  • İstem akışı, akış oluşturmak, özelleştirmek veya çalıştırmak için kullanabileceğiniz bir özelliktir.

  • Akış, yapay zeka mantığını uygulayabilen bir yönerge kümesidir. Önceden oluşturulmuş tuval veya LangChain gibi araçlar aracılığıyla akışlar oluşturun veya çalıştırın. Bir akışın yinelemelerini varlık olarak kaydedebilirsiniz. Bir akışı dağıttığınızda bu bir API'ye dönüşür. Tüm akışlar istem akışları değildir. İstem akışı, akış oluşturmanın bir yoludur.

  • İstem, modele gönderilen bir giriş paketidir. Kullanıcı girişi, sistem iletisi ve tüm örneklerden oluşur. Kullanıcı girişi, sohbet penceresinde gönderilen metindir. Sistem iletisi, modelin davranışlarını ve işlevselliğini kapsamlayan bir yönerge kümesidir.

  • Örnek akış, akışların nasıl çalıştığını gösteren basit, önceden oluşturulmuş bir düzenleme akışıdır. Örnek akışı özelleştirebilirsiniz.

  • Örnek istem, bir kitaplıktan kopyalayabileceğiniz ve as-is kullanabileceğiniz veya istem tasarımında değiştirebileceğiniz belirli bir senaryo için tanımlanmış bir istemdir.

Özel yapay zeka kod dilleri

Yapay zekanın temel kavramı, verileri analiz etmek ve bunları yararlı yollarla açıklamak veya puan vermek için modeller oluşturmak için algoritmaların kullanılmasıdır. Geliştiriciler ve veri bilimcileri ve bazen diğer algoritmalar, algoritma yazmak için programlama kodunu kullanır. Yapay zeka geliştirme için en popüler programlama dillerinden ikisi Python ve R'dir.

Python genel amaçlı, üst düzey bir programlama dilidir. Okunabilirliği vurgulayan basit, öğrenmesi kolay bir söz dizimine sahiptir. Derleme adımı yoktur. Python büyük bir standart kitaplığa sahiptir ve modül ve paket ekleme özelliğini destekler. Bu özellik modülerliği teşvik eder ve gerektiğinde özellikleri genişletmenizi sağlar. Azure'da da birçoğu dahil olmak üzere Python için yapay zeka ve makine öğrenmesi kitaplıklarından oluşan geniş ve büyüyen bir ekosistem vardır.

Daha fazla bilgi için aşağıdaki kaynaklara bakın:

R, istatistiksel bilgi işlem ve grafikler için bir dil ve ortamdır. Bunu, geniş sosyal ve pazarlama eğilimlerini çevrimiçi olarak eşlemeden finans ve iklim modelleri geliştirmeye kadar her şey için kullanabilirsiniz.

Microsoft, R programlama dilini tamamen benimser ve R geliştiricilerinin kodlarını Azure'da çalıştırması için birçok seçenek sunar.

Daha fazla bilgi için bkz. Machine Learningüzerinde R'yi etkileşimli olarak kullanma.

Azure'da özel yapay zeka hakkında genel bilgi için aşağıdaki kaynaklara bakın:

Müşteri hikayeleri

Birçok sektör yapay zekayı yenilikçi ve ilham verici yollarla uygular. Aşağıdaki müşteri örnek olay incelemelerini ve başarı hikayelerini göz önünde bulundurun:

Daha fazla yapay zeka müşteri hikayelerine göz atın

Microsoft AI hakkında genel bilgiler

Microsoft AI hakkında daha fazla bilgi edinin ve ilgili haberleri takip edin:

Sonraki adım

  • Azure üzerindeki yapay zeka iş yükleri