KI-Technologie – Übersicht

KI ist eine Reihe von Technologien, die es Maschinen ermöglichen, wahrzunehmen, zu lernen, Schlussfolgerungen zu ziehen, Inhalte zu generieren und Vorhersagen zu treffen. Dieser Artikel enthält eine Übersicht über KI-Konzepte, Entwicklungsplattformen und Architekturmuster, mit denen Sie KI-Workloads auf Azure entwerfen können. Integrieren Sie KI in Anwendungen, um Funktionen auszuführen oder Entscheidungen zu treffen, die herkömmliche Logik oder Verarbeitung nicht effektiv verarbeiten kann. Als Architekt, der Lösungen entwickelt, müssen Sie die KI- und maschinelle Lernlandschaft verstehen und wissen, wie Sie Azure Lösungen in Ihr Workload-Design integrieren können.

Integrieren von KI in Azure Workloads

Azure Architecture Center bietet Beispielarchitekturen, Architekturhandbücher, Architekturbasispläne und Ideen, die auf Ihr Szenario angewendet werden sollen. Workloads, die generative oder diskriminative KI-Anwendungsfälle implementieren, sollten den Azure Well-Architected Framework AI-Workloads in Azure Anleitung folgen. Diese Anleitung umfasst Prinzipien und Designhandbücher, die KI- und Machine Learning-Arbeitslasten in den Säulen Zuverlässigkeit, Sicherheit, Kostenoptimierung, Operational Excellence und Leistungseffizienz beeinflussen.

Die folgenden Workloadtypen werden nicht von den Anleitungen des Azure Well-Architected Frameworks abgedeckt:

  • Low-Code- und No-Code-KI-Workloads, wie beispielsweise Lösungen, die mit Microsoft Copilot Studio erstellt wurden. Architekturanleitungen zu diesen Workloads finden Sie unter Microsoft Copilot Studio Referenzarchitekturen und Lösungsideen.

  • Workloads im High-Performance Computing (HPC). Architekturanleitungen zu HPC finden Sie unter HPC zu Azure.

  • Workloads, die keine generativen oder diskriminativen KI-Anwendungsfälle implementieren, z. B. herkömmliche Analysen oder regelbasierte Automatisierung.

KI-Konzepte

KI-Konzepte umfassen eine vielzahl von Technologien und Methoden, die Maschinen verwenden, um Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern. In den folgenden Abschnitten finden Sie eine Übersicht über die wichtigsten KI-Konzepte.

Algorithmen

Algorithmen oder Algorithmen für maschinelles Lernen sind Codebausteine, mit denen Sie komplexe Datensätze erkunden, analysieren und darin Muster und Zusammenhänge erkennen können. Jeder Algorithmus ist ein endlicher Satz eindeutiger Schritt-für-Schritt-Anweisungen, die ein Computer befolgen kann, um ein bestimmtes Ziel zu erreichen. Ziel eines maschinellen Lernmodells ist es, Muster zu etablieren oder zu ermitteln, mit denen Menschen Vorhersagen erstellen oder Informationen kategorisieren können. Ein Algorithmus kann beschreiben, wie sie überprüfen können, ob ein Haustier eine Katze, ein Hund, ein Fisch, ein Vogel oder eine Eidechsenart ist. Ein komplizierterer Algorithmus kann beschreiben, wie sie eine geschriebene oder gesprochene Sprache identifizieren, ihre Wörter analysieren, in eine andere Sprache übersetzen und dann die Übersetzung auf Genauigkeit überprüfen.

Wählen Sie eine Algorithmusfamilie aus, die am besten zu Ihrer Aufgabe passt. Bewerten Sie die verschiedenen Algorithmen innerhalb der Familie, um die geeignete Lösung für Ihre Arbeitsauslastung zu finden. Weitere Informationen finden Sie unter Was sind Machine Learning-Algorithmen? im Microsoft Cloud Computing-Wörterbuch.

Maschinelles Lernen

Maschinelles Lernen ist eine KI-Technik, die Algorithmen zum Erstellen von Prädiktivenmodellen verwendet. Diese Algorithmen analysieren Datenfelder und lernen aus den Mustern in Daten, um Modelle zu generieren. Die Modelle können dann fundierte Vorhersagen oder Entscheidungen basierend auf neuen Daten treffen.

Die Vorhersagemodelle werden anhand bekannter Daten überprüft, anhand von Leistungsmetriken für bestimmte Geschäftsszenarien gemessen und dann nach Bedarf angepasst. Dieser Lern- und Überprüfungsprozess wird als Training bezeichnet. Durch regelmäßige Umschulungen verbessern sich Machine Learning-Modelle im Laufe der Zeit.

In Ihrem Workload-Design können Sie maschinelles Lernen verwenden, wenn Ihr Szenario frühere Beobachtungen enthält, die zukünftige Situationen zuverlässig vorhersagen. Diese Beobachtungen können universelle Wahrheiten sein, wie Computervisionen, die einen Tiertyp von einem anderen unterscheiden. Oder diese Beobachtungen können für Ihre Situation spezifisch sein, z. B. Computervision, die einen potenziellen Montagefehler auf Ihren Montagelinien basierend auf früheren Garantieanspruchsdaten erkennt.

Weitere Informationen finden Sie unter Was ist maschinelles Lernen? im Microsoft Cloud Computing-Wörterbuch.

das Deep Learning

Deep Learning ist eine Art maschinelles Lernen, das durch seine eigene Datenverarbeitung lernen kann. Wie maschinelles Lernen werden auch Algorithmen zum Analysieren von Daten verwendet. Es analysiert jedoch Daten mithilfe von künstlichen neuralen Netzwerken, die viele Eingaben, Ausgaben und Verarbeitungsebenen aufweisen. Jede Ebene kann die Daten auf eine andere Weise verarbeiten. Die Ausgabe einer Ebene wird zur Eingabe für die nächste. Deep Learning verwendet diesen Prozess, um komplexere Modelle zu erstellen, als herkömmliche maschinelles Lernen erstellen kann.

Deep Learning erfordert eine große Investition, um hoch angepasste oder explorative Modelle zu generieren. Bevor Sie Ihrer Arbeitsbelastung Deep Learning hinzufügen, könnten Sie erwägen, andere Lösungen in diesem Artikel in Betracht zu ziehen.

Weitere Informationen finden Sie unter "Was ist Deep Learning? im Microsoft Cloud Computing-Wörterbuch.For more information, see What is deep learning? in the Microsoft Cloud Computing dictionary.

Generative KI

Generative KI trainiert Modelle, um originale Inhalte zu erzeugen, die auf verschiedenen Arten von Inhalten wie natürlicher Sprache, Computervision, Audio oder Bildeingabe basieren. Mit generativer KI können Sie ein gewünschtes Ergebnis in alltäglicher Sprache beschreiben, und das Modell antwortet, indem es passenden Text, passende Bilder und passenden Code erzeugt. Beispiele für generative KI-Anwendungen sind Microsoft 365 Copilot und Microsoft Foundry.

  • Microsoft 365 Copilot ist in erster Linie eine Benutzeroberfläche, mit der Sie Code, Dokumente und andere textbasierte Inhalte schreiben können. Es basiert auf beliebten Modellen von OpenAI und Anthropic und ist in eine vielzahl von Microsoft-Anwendungen und -Benutzeroberflächen integriert.

  • Microsoft Foundry ist eine Entwicklungsplattform als Service (PaaS), die Zugriff auf Agenthosting und einen Katalog von Sprachmodellen von OpenAI, Anthropic, Microsoft, xAI und anderen Anbietern bietet. Aktuelle Modellverfügbarkeit finden Sie im Microsoft Foundry-Modellkatalog.

Sprachmodelle

Sprachmodelle sind eine Teilmenge der generativen KI, die sich auf Verarbeitungsaufgaben in natürlicher Sprache konzentrieren, z. B. textgenerierung und Stimmungsanalyse. Diese Modelle stellen natürliche Sprache basierend auf der Wahrscheinlichkeit von Wörtern oder Sequenzen von Wörtern dar, die in einem bestimmten Kontext auftreten.

Forscher verwenden für Forschungszwecke herkömmliche Sprachmodelle unter überwachten Bedingungen. Diese Modelle werden auf gut beschrifteten Text-Datasets für bestimmte Aufgaben trainiert. Vortrainierte Sprachmodelle bieten eine einfache Möglichkeit, KI zu verwenden. Sie werden in den letzten Jahren häufiger verwendet. Diese Modelle werden über neuronale Deep Learning-Netzwerke auf umfangreichen Textsammlungen aus dem Internet trainiert. Optimieren Sie sie auf kleinere Datasets für bestimmte Aufgaben.

Die Anzahl von Parametern oder Gewichtungen bestimmt die Größe eines Sprachmodells. Parameter beeinflussen, wie das Modell Eingabedaten verarbeitet und eine Ausgabe generiert. Während der Schulung passt das Modell die Gewichtungen an, um den Unterschied zwischen den Vorhersagen und den tatsächlichen Daten zu minimieren. Bei diesem Prozess lernt das Modell Parameter. Je mehr Parameter ein Modell hat, desto komplexer und ausdrucksstarker ist es. Aber es ist auch rechenintensiver, sowohl beim Training als auch bei der Verwendung.

Kleine Sprachmodelle haben in der Regel weniger als 10 Milliarden Parameter, und große Sprachmodelle haben mehr als 10 Milliarden Parameter. Zum Beispiel umfasst die Microsoft-Phi-Modellfamilie kleine Modelle, die auf Effizienz und Wirtschaftlichkeit ausgelegt sind, und die Familie wird weiterhin um neue Varianten für Schlussfolgerungs-, multimodale und andere Aufgaben erweitert. Aktuelle Modellnamen, Größen und Funktionen finden Sie im Foundry-Modellkatalog.

Copiloten

Microsoft 365 Copilot ist in eine breite Palette von Microsoft-Anwendungen und -Benutzeroberflächen integriert. Sie basiert auf einer offenen Architektur, in der Entwickler ohne Microsoft ihre eigenen Plug-Ins erstellen können, um die Benutzeroberfläche mithilfe von Microsoft 365 Copilot zu erweitern oder anzupassen. Partnerentwickler können auch eigene Agents mithilfe derselben offenen Architektur erstellen.

Weitere Informationen finden Sie in den folgenden Ressourcen:

Retrieval Augmented Generation (RAG)

Die Retrieval-Augmented-Generation (RAG) ist ein Architekturmuster, das die Fähigkeiten eines Sprachmodells wie ChatGPT erweitert, das nur mit öffentlichen Daten trainiert wurde. Verwenden Sie dieses Muster, um ein Abrufsystem hinzuzufügen, das relevante Erdungsdaten im Kontext mit der Benutzeranforderung bereitstellt. Ein Informationsabrufsystem ermöglicht die Kontrolle über Grunddaten, die ein Sprachmodell verwendet, wenn es eine Antwort formuliert. Die RAG-Architektur hilft Ihnen, den Einsatzbereich generativer KI auf Inhalte aus vektorisierten Dokumenten, Bildern und anderen Datenformaten zu begrenzen. RAG ist nicht auf Vektorsuchspeicher beschränkt. RAG unterstützt jede Datenspeichertechnologie.

Weitere Informationen finden Sie unter Entwurf und Entwickeln einer RAG-Lösung und Auswählen eines Azure-Diensts für die Vektorsuche. Verwenden Sie Foundry IQ-Wissensdatenbanken für Groundingdaten, die Microsoft Foundry-Agenten als schlüsselfertige RAG-Lösung benötigen.

Kontexttechnik

Kontexttechnik ist die Praxis des Entwerfens von Auswahl-, Bereichs- und Strukturkontexten, z. B. abgerufene Dokumente, Aufgezeichnete Unterhaltungen, Toolausgabe, Systemanweisungen und Unternehmensdaten, sodass ein KI-Modell zuverlässige und relevante Ausgaben erzeugen kann. RAG befasst sich mit dem Datenabruf, und Kontexttechnik ist die breitere Architekturdisziplin, die die Eingabe steuert, die das Modell empfängt, und das Formular, in dem sich die Eingabe befindet.

In modernen KI-Architekturen, insbesondere agentenbasierten und generativen KI-Lösungen, ist der Kontext ein wichtiges Designelement. Modelle verfügen über eingeschränktes integriertes Wissen und kein inhärentes Bewusstsein für unternehmensspezifische Daten oder Workflows. Zu den effektiven Architekturen gehören Retrieval-Pipelines, Speicher, Werkzeugintegrationen, Leitplanken und Prompt-Verwaltung, um zum richtigen Zeitpunkt den richtigen Kontext bereitzustellen. Ohne eine bewusste Gestaltung des Kontexts sind Architekturen anfällig für Fehler, veraltete Antworten und die unbeabsichtigte Offenlegung vertraulicher Daten.

Agentbasierte Architektur

Ein KI-Agent ist ein System, das ein Sprachmodell verwendet, um zu entscheiden, welche Aktionen ausgeführt werden sollen, welche Tools aufgerufen werden sollen, und wie Schritte zum Ausführen einer Aufgabe sequenziert werden. Im Gegensatz zu einer standardmäßigen KI-Integration, in der der Anwendungscode den Workflow steuert, bestimmt ein Agent ziele und legt seinen eigenen Ausführungspfad autonom fest. Diese Autonomie macht Agenten für komplexe, mehrstufige Aufgaben geeignet, die dynamische Entscheidungsfindung erfordern.

Mithilfe der Multi-Agent-Architektur können Sie komplexe Probleme in spezialisierte Agents unterteilen, die sich koordinieren, um eine Lösung zu erzeugen. Informationen zum Koordinieren mehrerer Agents in komplexen KI-Szenarien finden Sie unter KI-Agent-Orchestrierungsmuster.

Azure bietet zwei ergänzende Tools zum Erstellen von agentbasierten Architekturen:

  • Microsoft Agent Framework ist ein Code-first SDK zum Erstellen von Agents und Workflows mit mehreren Agents. Es stellt das Programmiermodell zum Definieren des Agentverhaltens, der Toolintegration und der Orchestrierungslogik bereit.

  • Der Foundry Agent Service hostt Agents, die Sie definieren. Diese Agenten stellen eine Verbindung zu einem Basismodell im KI-Modellkatalog und optional zu Ihren eigenen benutzerdefinierten Wissensspeichern oder APIs her. Sie können diese Agenten deklarativ definieren, oder Microsoft Foundry kann sie containerisieren und hosten.

Gießereiwerkzeuge

Foundry Tools sind vorgefertigte und anpassbare KI-Modelle und APIs, die anwendungen intelligente Funktionen hinzufügen. Anwendungsfälle umfassen die Verarbeitung natürlicher Sprachen, suche, Übersetzung, Sprache, Vision und Entscheidungsfindung. Verwenden Sie Foundry Tools, um KI zu Anwendungen hinzuzufügen, ohne benutzerdefinierte Modelle zu erstellen und zu trainieren.

Weitere Informationen finden Sie unter Choose a Foundry Tools technology.

KI-Sprachmodelle

Azure bietet Zugriff auf Sprachmodelle über mehrere Dienste und Bereitstellungsoptionen. Eine grundlegende Erläuterung der Sprachmodelle und deren Funktionsweise finden Sie unter "Sprachmodelle". In diesem Abschnitt werden die modelle behandelt, die auf Azure und die Architekturfaktoren verfügbar sind, die die Modellauswahl und das Hosting beeinflussen.

  • Azure OpenAI bietet verwalteten API-Zugriff auf OpenAI-Modelle, einschließlich der o3-, o4-mini-, GPT-4.1-, GPT-4o- und GPT-4o-Minifamilien. Diese Modelle unterstützen die Inhaltsgenerierung, Zusammenfassung, Begründung, Bildverständnis, semantische Suche und übersetzung in natürlicher Sprache zu Code. Azure OpenAI verwaltet Hosting-, Skalierungs- und Inhaltsfilterung. Es unterstützt die Integration des virtuellen Netzwerks und Microsoft Entra ID Authentifizierung.

    Aktuelle Modellverfügbarkeit nach Region finden Sie unter Azure OpenAI-Modelle.

  • Foundry Models bietet einen Katalog von mehr als 1.900 Modellen von Microsoft, OpenAI, DeepSeek, Meta, Hugging Face und anderen Anbietern. Der Katalog umfasst Foundation-Modelle, Reasoning-Modelle, kleine Sprachmodelle, multimodale Modelle und domänenspezifische Modelle. Sie können Modelle direkt aus dem Katalog vergleichen, auswerten, optimieren und bereitstellen.

  • Phi-Modelle sind kleine Sprachmodelle, die Microsoft anbieten. Kleine Sprachmodelle sind weniger rechenintensiv als große Modelle und können für gezielte Aufgaben effizienter, interpretiert und kosteneffizienter sein. Je nach Modellgröße können kleine Sprachmodelle im Prozess oder im selben Compute wie der Consumer betrieben werden, was die Latenz verringert und die Architektur vereinfacht.

Überlegungen zur Modellauswahl

Berücksichtigen Sie beim Auswählen eines Sprachmodells für Ihre Arbeitsauslastung die folgenden Architekturfaktoren:

  • Hosttopologie. Azure bietet verwaltete API-Endpunkte, serverlose Modellbereitstellungen, verwaltete Computebereitstellungen und containerbasiertes Selbsthosting. Ihre Wahl wirkt sich auf Latenz, Kosten, Datenaufbewahrung und operative Verantwortung aus.

  • Modellgröße im Vergleich zu Kosten und Latenz. Größere Modelle bieten in der Regel umfassendere Funktionen, erfordern jedoch mehr Berechnung und höhere Kosten. Kleinere Modelle können für fokussierte Aufgaben effizienter sein.

  • Datenschutz. Bewerten Sie, ob Sie Ihre Daten an eine gehostete API senden können oder ob behördliche oder organisatorische Anforderungen selbst gehostete Rückschlüsse erfordern.

  • Feinabstimmung vs. Prompt-Engineering. Ermitteln Sie, ob prompt Engineering und RAG für Ihren Anwendungsfall ausreichen oder ob eine Feinabstimmung eines Modells für Ihre Daten wesentlich bessere Ergebnisse erzeugt.

  • Genauigkeit und Verzerrung. Überprüfen Sie die Modellausgabe anhand Ihrer Domänenanforderungen. Erwägen Sie Inhaltsfilterungs-, Erdungs- und Bewertungsstrategien, um die Ausgabequalität zu verwalten.

KI-Entwicklungsplattform und -tools

Die folgenden KI-Entwicklungsplattformen und -tools können Ihnen beim Erstellen, Bereitstellen und Verwalten von Machine Learning- und KI-Modellen helfen.

Azure Machine Learning

Azure Machine Learning ist ein Machine Learning-Dienst zum Erstellen und Bereitstellen von Modellen. Azure Machine Learning stellt Webschnittstellen und SDKs bereit, mit denen Sie Ihre Machine Learning-Modelle und -Pipelines im großen Maßstab trainieren und bereitstellen können. Verwenden Sie diese Funktionen mit Open-Source-Python-Frameworks wie PyTorch, TensorFlow und scikit-learn.

Weitere Informationen finden Sie in den folgenden Ressourcen:

Automatisiertes maschinelles Lernen

Automatisiertes Maschinelles Lernen (AutoML) ist der Prozess der Automatisierung der zeitaufwendigen, iterativen Aufgaben der Machine Learning-Modellentwicklung. AutoML unterstützt Data Scientists, Analysten und Entwickler beim Erstellen von Machine Learning-Modellen, die hohe Skalierung, Effizienz und Produktivität aufweisen und gleichzeitig die Modellqualität beibehalten.

Weitere Informationen finden Sie in den folgenden Ressourcen:

MLflow

Azure Machine Learning Arbeitsbereiche sind MLflow-kompatibel, was bedeutet, dass ein Azure Machine Learning Arbeitsbereich auf die gleiche Weise funktioniert wie ein MLflow-Server. Diese Kompatibilität bietet die folgenden Vorteile:

  • Azure Machine Learning hostet keine MLflow-Serverinstanzen, kann aber die MLflow-APIs direkt verwenden.

  • Verwenden Sie einen Azure Machine Learning-Arbeitsbereich als Tracking-Server für jeden MLflow-Code, unabhängig davon, ob er in Azure Machine Learning ausgeführt wird. Sie müssen MLflow so einrichten, dass er auf den Arbeitsbereich verweist, in dem die Nachverfolgung erfolgen soll.

  • Führen Sie Schulungsroutinen aus, die MLflow in Azure Machine Learning verwenden, ohne Änderungen vorzunehmen.

Weitere Informationen finden Sie unter MLflow und Azure Machine Learning und MLflow.

Generative KI-Tools

  • Microsoft Foundry bietet eine Plattform, die Ihnen dabei hilft, generative KI-Apps und APIs verantwortungsbewusst zu experimentieren, zu entwickeln und bereitzustellen. Verwenden Sie das Foundry-Portal, um Foundry-Tools, Foundry-Modelle, einen Playground und Ressourcen zu finden. Diese helfen Ihnen dabei, KI-Modelle und KI-Agenten zu optimieren, auszuwerten und bereitzustellen.

    Der Foundry Agent Service hostt Agents, die Sie definieren. Diese Agenten verbinden sich mit einem Basismodell im KI-Modellkatalog und optional mit Ihren eigenen benutzerdefinierten Wissensspeichern oder APIs. Definieren Sie diese Agents deklarativ, oder lassen Sie Microsoft Foundry containerisieren und hosten.

  • Microsoft Copilot Studio erweitert Microsoft 365 Copilot. Erstellen Sie benutzerdefinierte Agents für interne und externe Szenarien. Verwenden Sie eine Erstellungsfläche, um Agenten zu entwerfen, zu testen und zu veröffentlichen. Erstellen Sie generative KI-fähige Unterhaltungen, ermöglichen Sie eine bessere Kontrolle über Antworten für vorhandene Agents und beschleunigen Sie die Produktivität mithilfe automatisierter Workflows.

Vorgefertigte KI-Tools

Foundry Tools sind vorgefertigte und anpassbare KI-Modelle und APIs, die auf bestimmte Szenarien wie Sprache, Übersetzung, Sprachverständnis, Dokumentintelligenz, Vision und Inhaltssicherheit abzielen. Verwenden Sie sie, wenn Ihre Workload eine gut definierte KI-Funktion benötigt und Sie kein Modell selbst entwerfen, trainieren oder hosten müssen.

Eine Liste der verfügbaren Dienste, die nach Funktion organisiert sind, finden Sie unter Auswählen einer KI-Diensttechnologie.

Contributors

Microsoft verwaltet diesen Artikel. Die folgenden Mitwirkenden haben diesen Artikel geschrieben.

Hauptautor:

David Hernández Díez | Senior Solution Engineer

Um nicht öffentliche LinkedIn-Profile zu sehen, melden Sie sich bei LinkedIn an.

Nächste Schritte

Um weitere Informationen zu KI zu Azure zu erhalten, erkunden Sie die folgenden Ressourcen:

  • Last updated on