Productos de Microsoft de inteligencia artificial y aprendizaje automático

Microsoft ofrece varias plataformas para inteligencia artificial y aprendizaje automático. Cada plataforma está dirigida a una combinación diferente del público, la carga de trabajo, el fundamento de datos y el modelo de implementación. Este artículo ayuda a los arquitectos de soluciones, ingenieros de aprendizaje automático, científicos de datos y desarrolladores de aplicaciones a elegir una plataforma inicial, comprender cómo difieren las plataformas y aprender a combinarlas en arquitecturas reales. La cobertura incluye el aprendizaje automático clásico, el aprendizaje automático integrado en análisis y las cargas de trabajo de IA generativas en Azure, Microsoft Fabric y Microsoft Foundry. Este artículo se centra en las soluciones proporcionadas por Microsoft.

Use este artículo para comparar opciones y diseñar una solución de un extremo a otro.

Note

Este artículo se centra en las plataformas personalizadas de inteligencia artificial y aprendizaje automático, no en los asistentes de software como servicio (SaaS) empaquetados, en las herramientas empaquetadas de creación de SaaS de poco código o en las experiencias para el usuario final dentro del producto.

Escenarios de carga de trabajo principales

Comience con la característica de inteligencia artificial o aprendizaje automático que necesita agregar a la carga de trabajo. En la tabla siguiente se relacionan escenarios de características comunes con una plataforma de inicio recomendada para las funcionalidades personalizadas de inteligencia artificial y aprendizaje automático. Úselo como orientación inicial antes de revisar las funcionalidades de la plataforma y recorra el árbol de decisión.

Escenario principal Punto de partida recomendado Justificación
Crear aplicaciones de IA generativa o agentes de IA Microsoft Foundry Proporciona descubrimiento de modelos, ajuste preciso, generación aumentada por recuperación (RAG), orquestación de agentes, evaluación y herramientas de seguridad en una plataforma.
Añada funciones de inteligencia artificial a través de una API precompilada para la visión, la voz, el lenguaje, la búsqueda o la seguridad del contenido Herramientas de fundición Ofrece API previamente entrenadas que no requieren ningún entrenamiento personalizado. Úselos antes de crear un modelo personalizado.
Entrene, implemente y administre un modelo personalizado de aprendizaje automático o aprendizaje profundo Azure Machine Learning Trata el ciclo de vida completo del aprendizaje automático, incluidos MLOps, endpoints en línea y por lotes, y las herramientas de inteligencia artificial responsables.
Ejecute el aprendizaje automático integrado con análisis en una plataforma unificada de inteligencia empresarial y datos (BI) Microsoft Fabric Proporciona una plataforma de análisis SaaS que admite cuadernos de Apache Spark, AutoML y la integración de Microsoft respaldada por OneLake con Power BI.
Ejecute el aprendizaje automático en Spark, datos de lakehouse o trabajos de entrenamiento distribuidos de gran tamaño Azure Databricks o Apache Spark en Azure HDInsight Azure Databricks: admite Spark a escala de lakehouse con la integración nativa de MLflow y Unity Catalog.

Azure HDInsight: admite clústeres de Spark administrados por Azure con integración nativa de almacenamiento y seguridad.
Mantén el aprendizaje automático dentro de una base de datos SQL, en dispositivos de borde o en aplicaciones de escritorio Aplicaciones inteligentes de SQL e inteligencia artificial, Azure SQL Managed Instance Machine Learning Services, SQL Server Machine Learning Services o herramientas de machine learning locales Proporciona una manera de mantener los datos en su lugar y agregar la predicción de la base de datos, la recuperación de vectores o la integración del punto de conexión de IA.

Comparar las funcionalidades de la plataforma

En la matriz siguiente se resume dónde cada plataforma es la opción principal, donde ofrece compatibilidad complementaria y donde la funcionalidad no es un foco. La matriz usa estos iconos:

  • ✅ Funcionalidad principal
  • ⚠️ Funcionalidad admitida o complementaria
  • ❌ Sin foco
Capacidad Microsoft Foundry Azure Machine Learning Microsoft Fabric Azure Databricks Herramientas de fundición Aprendizaje automático de SQL Aprendizaje automático en el borde o local
Inteligencia artificial y agentes generativos ✅ ⚠️ (No es la plataforma principal) ❌ ⚠️ (Con ámbito de Lakehouse) ⚠️ (Solo bloques de construcción) ❌ ⚠️ (solo en el dispositivo)
Descubrimiento y evaluación de modelos fundacionales ✅ ⚠️ (No es la plataforma principal) ❌ ⚠️ (Con ámbito de Lakehouse) ❌ ❌ ❌
Entrenamiento de modelos personalizados (aprendizaje clásico o profundo) ⚠️ (Solo ajuste fino) ✅ ⚠️ (con ámbito de Analytics) ✅ ❌ ⚠️ (con ámbito de base de datos) ⚠️ (solo local)
Cómputo para entrenamiento distribuido o a gran escala ❌ ✅ ⚠️ (Escala más pequeña) ✅ ❌ ❌ ❌
AutoML (aprendizaje automático automatizado) ❌ ✅ ✅ ✅ ❌ ❌ ⚠️ (solo .NET)
Ciclo de vida de MLOps (registro, canalizaciones, integración continua y entrega continua (CI/CD)) ⚠️ (Vía Azure Machine Learning) ✅ ⚠️ (Vía Azure Machine Learning) ✅ ❌ ❌ ❌
Inferencia en tiempo real (en línea) ✅ ✅ ⚠️ (Endpoints del modelo en versión preliminar) ✅ ✅ ⚠️ (solo en la base de datos) ✅
Inferencia por lotes (sin conexión) ⚠️ (En línea primero) ✅ ✅ ✅ ❌ ✅ ⚠️ (solo local)
Implementación local o sin conexión ⚠️ (solo subconjunto de Edge) ⚠️ (Vía Azure Arc) ❌ ❌ ⚠️ (solo contenedores) ✅ ✅
Herramientas de gobernanza y seguridad ✅ ✅ ⚠️ (Gobernanza limitada de modelos) ✅ ⚠️ (con ámbito de servicio) ⚠️ (con ámbito de base de datos) ❌

En las notas siguientes se aclaran clasificaciones específicas en la matriz:

  • Foundry Tools se clasifica como complementario para la inteligencia artificial generativa y los agentes porque servicios como Búsqueda de Azure AI, Content Safety en el plano de control de Foundry y Azure Document Intelligence en Foundry Tools son bloques de creación comunes para las soluciones RAG y de agentes. La plataforma principal para el desarrollo de ia generativa es Microsoft Foundry.

  • La gobernanza de Microsoft Foundry procede principalmente del plano de control de Foundry, que proporciona observabilidad, controles en tiempo de ejecución, integración de seguridad y administración de flotas para agentes y aplicaciones.

  • Azure Machine Learning admite inteligencia artificial generativa a través del acceso a Foundry Models, los puntos de conexión administrados, las funcionalidades de evaluación y el ajuste fino para los modelos de base admitidos. No es la plataforma principal para el desarrollo de ia generativa.

  • Azure Databricks obtiene una calificación principal para la gobernanza porque El catálogo de Unity proporciona datos unificados y gobernanza de modelos con control de acceso basado en rol (RBAC) y OpenSharing.

  • Microsoft Fabric se clasifica como complementario para la gobernanza, ya que OneLake, Microsoft Purview integración, etiquetas de confidencialidad y controles basados en dominio cubren bien los recursos de datos. Microsoft Fabric incluye un registro de modelos basado en MLflow integrado para almacenar y realizar el seguimiento de modelos. Microsoft Fabric también tiene una vista de linaje integrada para los modelos y experimentos de Machine Learning, incluidas las relaciones con los lakehouses y los elementos de código. Pero Microsoft Fabric no incluye un panel de IA responsable. Para una gobernanza más amplia del ciclo de vida del modelo, empareja Microsoft Fabric con Azure Machine Learning.

  • Microsoft Fabric se clasifica como complementario para la inferencia en tiempo real, ya que Microsoft Fabric Real-Time Intelligence cubre el análisis de streaming y puntos de conexión del modelo de aprendizaje automático de Microsoft Fabric proporcionan puntos de conexión REST en línea administrados para predicciones en tiempo real. Los puntos de conexión de modelo están en versión preliminar y admiten un conjunto limitado de tipos de modelos. Para el serving en línea de producción a gran escala, también puede emparejar Microsoft Fabric con puntos de conexión en línea administrados de Azure Machine Learning o Microsoft Foundry.

  • Foundry Local amplía Microsoft Foundry a la inferencia en el dispositivo para escenarios perimetrales y sin conexión.

  • Azure Arc extiende Azure Machine Learning a clústeres de Kubernetes en el entorno local para el entrenamiento híbrido o la puntuación.

  • Microsoft Fabric Data Science incluye una experiencia de AutoML de código reducido. AutoML con enfoque de código está disponible a través de las API de AutoML rápido y ligero (FLAML) en los cuadernos de Microsoft Fabric. Para obtener el estado actual, consulte la documentación de Microsoft Fabric.

Reduce la selección de plataforma

Utilice el siguiente árbol de decisión para restringir la elección de la plataforma de inicio. El árbol le ayuda a seleccionar una plataforma principal para una carga de trabajo. La mayoría de las soluciones de producción combinan más de una plataforma, así que use las secciones específicas del producto de este artículo para refinar su elección. Considere también la posibilidad de usar un patrón de arquitectura compuesta. Para obtener más información, consulte Combinar plataformas.

Árbol de decisión de una plataforma principal de inteligencia artificial o aprendizaje automático Microsoft en función del escenario, el perfil de desarrollador y las ubicaciones de entrenamiento e inferencia.

Descargue un archivo Visio de este árbol de decisión.

Tutorial paso a paso

Siga estos pasos para recorrer el árbol de decisión. Cuando llegue a una opción de plataforma, omita los pasos restantes.

  1. Identifique el escenario de la funcionalidad.

    Tome decisiones de plataforma a nivel de funcionalidad dentro de la carga de trabajo. Cada característica puede tener requisitos funcionales y no funcionales únicos que una o varias tecnologías pueden satisfacer. Al usar este diagrama de flujo, tenga en cuenta los requisitos del caso de uso específico que desea resolver.

    • Si las características de inteligencia artificial precompiladas, como visión, voz, lenguaje, búsqueda, comprensión de documentos o seguridad del contenido satisfacen las necesidades de la carga de trabajo, use Foundry Tools. Muchos servicios de Foundry Tools admiten la personalización, como la clasificación de texto personalizada en Azure Language o modelos personalizados en Azure Document Intelligence. Tenga en cuenta estos servicios antes de comprometerse con el entrenamiento personalizado completo o un enfoque más amplio, como usar un modelo de lenguaje para simular un servicio especializado. Para obtener documentación específica del servicio, consulte los siguientes artículos:
    • Si la carga de trabajo requiere ia generativa o agentes de IA personalizados para agregar un comportamiento no determinista, continúe con el paso 2.
    • Si la característica requiere funcionalidades personalizadas de aprendizaje automático o aprendizaje profundo, como el aprendizaje automático clásico, computer vision, la previsión o la optimización de sus propios modelos, continúe con el paso 3.
    • Si necesita integrar el aprendizaje automático en un flujo de trabajo de BI y datos más amplio, continúe con el paso 4.

  2. Para la IA generativa y los agentes, elija la plataforma de Microsoft que coincida con el perfil de desarrollador.

    • Acceso directo solo a la API de modelo de lenguaje grande (LLM): Use Azure OpenAI en Microsoft Foundry.

    • Desarrollo con enfoque code-first de agentes o desarrollo de varios agentes: use el SDK de Microsoft Agent Framework emparejado con Foundry Agent Service para hospedar y orquestar.

    • Plataforma completa de inteligencia artificial generativa (Foundry Models, ajuste fino, evaluación, seguridad, observabilidad y gobernanza): use Microsoft Foundry.

  3. Para el aprendizaje automático personalizado y el aprendizaje profundo, base la decisión sobre dónde debe ejecutarse el entrenamiento y la inferencia.

  4. Para el aprendizaje automático integrado con análisis, elija la solución que coincida con los datos y el escenario de BI.

  5. En el caso del proceso distribuido o basado en Spark, base su decisión sobre si utiliza lakehouse o clústeres de Spark administrados.

    • Lakehouse con gobernanza de MLflow y Unity Catalog: Use Azure Databricks. Todavía puede publicar modelos a través de puntos de conexión administrados de Azure Machine Learning para la implementación y la gobernanza.

    • Clústeres de Spark administrados en Azure con almacenamiento nativo e integración de seguridad: use Apache Spark en Azure HDInsight.

Note

En el caso de las arquitecturas que abarcan entornos locales y en la nube, adjunte clústeres de Kubernetes locales o multinube a un área de trabajo de Azure Machine Learning a través de Azure Arc. Esta configuración mantiene los datos locales mientras orquesta el entrenamiento y la inferencia a través de Azure. Para obtener información detallada, consulte Configurar el clúster de Kubernetes para Azure Machine Learning.

Azure Machine Learning

Azure Machine Learning es un servicio en la nube totalmente administrado para entrenar, implementar y administrar modelos de aprendizaje automático a escala. Admite decenas de miles de paquetes de Python de código abierto, como TensorFlow, PyTorch y scikit-learn. Proporciona herramientas para el ciclo de vida completo del aprendizaje automático, desde la preparación de datos hasta el despliegue, MLOps y la inteligencia artificial responsable.

Utilice Azure Machine Learning cuando necesite las siguientes funcionalidades:

  • Formación personalizada. Puede usar el entrenamiento de modelos personalizados para el aprendizaje automático clásico, el aprendizaje profundo o el ajuste preciso de las LLM de código abierto.

  • MLOps de producción. Use un ciclo de vida de MLOps de producción que incluya el seguimiento de experimentos, el control de versiones del modelo, los registros regulados, las canalizaciones de CI/CD y la supervisión de producción.

  • Endpoints administrados. Usa puntos de conexión de inferencia por lotes o en línea administrados que se hospedan en un entorno que proporciona escalado automático, identidad administrada y supervisión.

  • Computación híbrida. Puede usar el entrenamiento híbrido o la inferencia en clústeres de Kubernetes habilitados para Azure Arc.

En la tabla siguiente se resumen las funcionalidades de la plataforma que Azure Machine Learning proporciona en el ciclo de vida del aprendizaje automático.

Capacidad Descripción
Áreas de trabajo y almacenes de datos Un recurso central para organizar experimentos, cómputo, conjuntos de datos, modelos y conexiones a almacenes de datos externos. Los recursos y el historial de ejecución se versionan para garantizar la reproducibilidad.
Clústeres de cómputo e instancias Capacidad de cómputo de CPU y GPU aprovisionada para el entrenamiento distribuido (clústeres de cómputo) y el desarrollo interactivo de cuadernos (instancias de cómputo).
Proceso sin servidor Proceso de cómputo administrado a petición que Azure Machine Learning crea y escala automáticamente para trabajos de entrenamiento.
Aprendizaje Automático Automatizado Generación de modelos, pipelines, ajuste de hiperparámetros e ingeniería de características para clasificación, regresión, previsión, visión por computadora y procesamiento de lenguaje natural.
Pipelines y diseñador Orquestación basada en código y de arrastrar y soltar para la preparación de datos, el entrenamiento, la evaluación y la implementación. Se integra con las herramientas de CI/CD.
Acceso a modelos de Foundry Plataforma para descubrir, evaluar, ajustar e implementar modelos de base compatibles desde Microsoft, OpenAI, Meta, Hugging Face y otros proveedores a través de Foundry Models en Azure Machine Learning.
Seguimiento de experimentos de MLflow y administración de modelos Seguimiento de experimentos, ejecuciones, métricas, parámetros, artefactos y modelos mediante api compatibles con MLflow con un área de trabajo de Azure Machine Learning.
Endpoints en línea y por lotes Puntos de conexión REST administrados para la inferencia en tiempo real y los puntos de conexión invocables para la puntuación por lotes, con compatibilidad con el escalado automático y la identidad administrada.
Herramientas de inteligencia artificial responsable Paneles de equidad, explicabilidad y análisis de errores.
Seguridad y soporte híbrido Integración con Azure Virtual Network, Azure Key Vault, Azure Container Registry, RBAC, identidades administradas y Azure Arc.

En la tabla siguiente se resumen los detalles principales de adopción de Azure Machine Learning.

Aspecto Details
Tipo Plataforma de aprendizaje automático basada en la nube.
Idiomas compatibles Python y R. También se admiten una interfaz de línea de comandos (CLI) y api REST.
Fases de aprendizaje automático Preparación de datos, entrenamiento, implementación, MLOps e inteligencia artificial responsable.
Ventajas principales Flujos de trabajo de SDK y CLI con enfoque code-first. Creación basada en Studio. Administración central de scripts, experimentos y historial de ejecución. Entrenamiento e implementación escalables. Opciones híbridas a través de Azure Arc.
Considerations Cierta familiaridad con el espacio de trabajo y el modelo de activos es útil antes de la adopción completa de MLOps.

Azure Machine Learning no es el mejor ajuste en las situaciones siguientes:

  • Solo tiene que usar APIs preentrenadas para la visión, la voz o el lenguaje. En este caso, use Foundry Tools.

  • El aprendizaje automático es una pequeña extensión de una carga de trabajo de análisis. En este caso, Microsoft Fabric o Azure Databricks podría ser un punto de partida mejor.

  • Tu carga de trabajo es IA generativa de un extremo a otro (selección de modelos, orquestación del agente, evaluación, implementación y supervisión). Además, no se necesita entrenamiento clásico de aprendizaje automático ni el activo, la ejecución y el modelo de MLflow de Azure Machine Learning. En este caso, Microsoft Foundry solo puede ser suficiente. Solo se requiere un área de trabajo de Azure Machine Learning cuando necesite recursos de proceso de entrenamiento de Azure Machine Learning, ciclo de vida de MLOps o puntos de conexión administrados en línea o por lotes para modelos personalizados.

Microsoft Foundry

Microsoft Foundry es la plataforma unificada de Azure para crear, optimizar y gobernar aplicaciones de inteligencia artificial generativas y agentes de inteligencia artificial. Microsoft Foundry combina el catálogo de modelos de Foundry, los servicios de agente y orquestación, las herramientas de evaluación y seguridad, y un plano de control para la gobernanza en tiempo de ejecución. Para el desarrollo de agentes con enfoque code-first, Microsoft Foundry se combina con Microsoft Agent Framework, el SDK unificado de Microsoft que reemplaza la división anterior entre Kernel semántico y AutoGen.

Utilice Microsoft Foundry cuando necesite las siguientes funcionalidades:

  • IA generativa o agentes generativos. Puede crear soluciones generativas basadas en IA o en agentes, como bots de chat multimodelo o flujos de trabajo LLM orquestados.

  • Detección y evaluación de modelos. Debe poder descubrir, comparar y evaluar modelos fundacionales de varios proveedores.

  • Personalización y gobernanza del modelo. Quiere afinar, evaluar e implementar modelos de base en un entorno administrado que proporcione controles integrados de observabilidad, seguridad de contenido y tiempo de ejecución.

En la tabla siguiente se resumen las funcionalidades de Microsoft Foundry que admiten el desarrollo de agentes y aplicaciones de IA generativas.

Capacidad Descripción
Modelos de fundición Un catálogo de modelos entrenados previamente de proveedores como Azure OpenAI, Hugging Face y Meta, además de la familia de modelos de lenguaje pequeño Phi Microsoft, con pruebas comparativas y opciones de implementación.
Personalización de modelos La capacidad de ajustar o personalizar modelos de base admitidos con sus propios datos. Las opciones de implementación dependen del modelo e incluyen tipos estándar y aprovisionados cuando están disponibles.
Servicio de agente de fundición Plataforma para hospedar y orquestar agentes de inteligencia artificial que automatizan procesos empresariales de varios pasos. Se integra con el SDK de Microsoft Agent Framework para el desarrollo de agentes con enfoque code-first. Implementa la API Responses compatible con OpenAI para una amplia compatibilidad con el SDK de cliente.
Foundry IQ Una capa de conocimiento administrada que basa los agentes en datos empresariales. Crea bases de conocimiento de varios orígenes y usa la recuperación agéntica para devolver respuestas según los permisos del usuario con citas. Basado en Búsqueda de Azure AI. Los orígenes de conocimiento incluyen orígenes indexados (como un índice de Búsqueda de Azure AI existente, Azure Blob Storage, archivos cargados directamente, OneLake, Azure SQL y SharePoint indexado) y orígenes remotos consultados en tiempo de ejecución (por ejemplo, SharePoint remoto, ontología de Microsoft Fabric, Work IQ, datos web de Microsoft Bing, servidores de Protocolo de contexto de modelo (MCP) y agentes de datos de Microsoft Fabric). Varios de estos conectores están actualmente en versión preliminar. Para ver el estado de la versión preliminar actual y los conectores admitidos, consulte las fuentes de conocimiento agéntico en Búsqueda de Azure AI. Para ver las opciones del almacén de datos, consulte Elegir un servicio de Azure para la búsqueda de vectores.
Plano de Control Foundry Interfaz que proporciona observabilidad, controles en tiempo de ejecución, integración de seguridad y administración de flotas en los agentes y las aplicaciones de Microsoft Foundry.
Seguridad del contenido Un servicio de inteligencia artificial que detecta contenido perjudicial generado por el usuario y por IA. Consulte Seguridad del contenido.
Fundición Local Una solución para la inferencia de inteligencia artificial en el dispositivo para escenarios edge y sin conexión en los que es importante el rendimiento, la privacidad o el costo.

Conjunto de herramientas Foundry para Visual Studio Code

Foundry Toolkit for Visual Studio Code es la experiencia principal para desarrolladores de Microsoft Foundry. Úselo cuando desee un flujo de trabajo con enfoque local-first para aplicaciones y agentes de IA generativa. El kit de herramientas admite la detección de modelos, la ejecución del modelo local, el desarrollo de prompts y agentes, la integración de herramientas, la depuración, el seguimiento, la evaluación, el ajuste preciso y la implementación en Microsoft Foundry desde Visual Studio Code.

Comience en Foundry Toolkit cuando la solución necesite código, control de código fuente, iteración local, inspección del agente, integración de herramientas de MCP o pruebas de modelos antes de la implementación. Utilice el portal de Foundry para la exploración de prueba de concepto, la configuración del proyecto, la revisión de recursos, la revisión de evaluación y la visibilidad operativa una vez que las aplicaciones y los agentes estén en ejecución.

portal de Foundry y Azure Machine Learning Studio

El portal de Foundry y Estudio de Azure Machine Learning son experiencias web complementarias. Úselos para la creación de prototipos, la administración de proyectos y recursos, la revisión de evaluaciones y la visibilidad operativa.

Categoría Portal de fundición Azure Machine Learning Studio
Carga de trabajo más adecuada Pruebas de concepto, exploración de modelos, revisión del agente, revisión de evaluación y visibilidad operativa de aplicaciones y agentes de IA generativa. Aprendizaje automático personalizado, aprendizaje automático clásico, aprendizaje profundo y flujos de trabajo más amplios de la plataforma de aprendizaje automático.
Manejo de datos Funcionalidad para conectar recursos de proyecto y orígenes de datos admitidos, incluidos Blob Storage, OneLake y Azure Data Lake Storage. Almacenamiento del área de trabajo, recursos de datos y cuentas de almacenamiento Azure conectadas.
Experiencias de creación de contenido Creación de prototipos basada en el portal, entornos de prueba, exploración de modelos, revisión de evaluación y administración de recursos del proyecto. Cuadernos, designer, AutoML, administración de modelos y flujos de trabajo del SDK y la CLI.
Idiomas y SDK admitidos SDK de Python, C#, JavaScript y Java. API de REST. Python, R y el CLI de Azure. API de REST.
entrenamiento de fuerza del core Evaluación del modelo y ajuste fino compatible. AutoML y entrenamiento personalizado en aprendizaje automático clásico, aprendizaje profundo y ajuste de LLM.
Cómputo y despliegue API de cómputo administradas y sin servidor para los modelos de base admitidos. Proceso administrado, proceso sin servidor, puntos de conexión en línea, puntos de conexión por lotes y opciones de Azure Arc.
Espacio de IA generativa Interfaz web para la exploración de modelos de Foundry, revisión de evaluaciones, observabilidad y herramientas de seguridad. Acceso a Foundry Models, puntos de conexión administrados, evaluación y ajuste preciso para los modelos de base admitidos dentro de la plataforma de Azure Machine Learning.
Governance Plano de control Foundry para la gobernanza de agentes y aplicaciones. Panel de IA responsable, linaje, administración de modelos y controles de MLOps.

En la tabla siguiente se resumen los detalles básicos de adopción de Microsoft Foundry.

Aspecto Details
Tipo Una plataforma unificada para modelos fundacionales, agentes y aplicaciones de IA generativas.
Idiomas compatibles SDK de Python, C#, JavaScript y Java. API de REST.
Fases de aprendizaje automático Descubrimiento y evaluación de modelos, desarrollo de aplicaciones y agentes, ajuste preciso de modelos admitidos, implementación, supervisión y seguridad.
Ventajas principales Un catálogo consolidado de modelos Foundry. Evaluación integrada, seguridad y observabilidad. Soporte para Agent y RAG. Colaboración basada en proyectos.

Microsoft Foundry no es el mejor ajuste en las siguientes situaciones:

  • Consume funcionalidades de inteligencia artificial precompiladas, como el reconocimiento óptico de caracteres (OCR), la transcripción de voz a texto, la traducción o la moderación de contenido a través de una API, y no requiere selección de modelos, orquestación ni agentes. En este caso, use Foundry Tools.

  • La solución requiere entrenamiento de modelos personalizados, para aprendizaje automático clásico o aprendizaje profundo y funcionalidades completas de MLOps. En este caso, use Azure Machine Learning. Microsoft Foundry no ofrece capacidad de proceso aprovisionada para entrenamiento a gran escala ni AutoML para los datos tabulares.

  • La solución requiere ingeniería de datos a escala Spark. En este caso, use Azure Databricks o Microsoft Fabric.

Herramientas de fundición

Foundry Tools, anteriormente Servicios de Azure AI y Cognitive Services, es una familia de funcionalidades de IA previamente entrenadas que se consumen a través de las API REST y los SDK. Cada herramienta está orientada a una funcionalidad específica, por lo que puede agregar características inteligentes a las aplicaciones sin crear ni entrenar un modelo personalizado. Para obtener ayuda para decidir qué servicio usar, consulte Elegir una tecnología de servicios de IA.

Tip

Foundry Tools proporciona API preentrenadas para tareas probabilísticas comunes. En el caso de los modelos, agentes y orquestación de IA generativa, trabaje en Microsoft Foundry en lugar de usar Foundry Tools directamente. Muchos servicios de Foundry Tools comparten el mismo tipo de recurso Azure subyacente (Microsoft.CognitiveServices/accounts) que Microsoft Foundry, pero son productos distintos.

Utilice las herramientas de Foundry en las situaciones siguientes:

  • Una API previamente entrenada cubre el escenario, por lo que no es necesario entrenar un modelo personalizado.

  • Necesita APIs estándar y administradas e integración basada en API con aplicaciones existentes.

En la tabla siguiente se agrupan los servicios usados habitualmente por área funcional. Los modelos de IA generativa, los agentes y la orquestación forman parte de Microsoft Foundry y se enumeran por separado como referencia.

Área de funcionalidad Servicios de representantes
Vision Azure Vision y Azure Face en Foundry Tools.
Comprensión del documento y el contenido Azure Document Intelligence y Azure Content Understanding.
Speech Azure Speech para la transcripción de voz a texto, la generación de voz de texto a voz y el reconocimiento del locutor.
Language Azure Language para el reconocimiento de entidades con nombre, la detección de datos personales y la detección de idioma. Azure Translator en Foundry Tools para la traducción.
Búsqueda y conocimiento Búsqueda de Azure AI para la búsqueda con tecnología de inteligencia artificial y recuperación de RAG.
Seguridad del contenido Seguridad del contenido para la detección de contenido perjudicial en contenido generado por el usuario y contenido generado por ia.
Video Video Indexer de Azure AI para el análisis de vídeo y la indexación.
Modelos y agentes de IA generativa Microsoft Foundry. Incluye Foundry Agent Service y Foundry Models.

Para comparar los servicios dentro de un área de funcionalidad y elegir uno, consulte las siguientes guías de selección detalladas:

En la tabla siguiente se resumen los detalles principales de adopción de Foundry Tools.

Aspecto Details
Tipo APIs preentrenadas para crear aplicaciones inteligentes.
Idiomas compatibles SDK de C#, Java, JavaScript y Python en función del servicio. API de REST.
Fases de aprendizaje automático Consumo a través de las API. Algunos servicios admiten la personalización.
Ventajas principales La capacidad de agregar funcionalidades de inteligencia artificial precompiladas a través de las API. Se requieren conocimientos mínimos de ciencia de datos. Escalado administrado.

Foundry Tools no es la mejor opción en la siguiente situación: el escenario requiere arquitecturas de modelo personalizadas o datos de entrenamiento más allá de las opciones de personalización admitidas. En estos casos, use Azure Machine Learning para modelos de aprendizaje clásico o profundo, o use Microsoft Foundry para el ajuste fino de la inteligencia artificial generativa.

Microsoft Fabric

Microsoft Fabric es una plataforma de análisis unificada basada en SaaS. Integra la ingeniería de datos, la ciencia de datos, el almacenamiento de datos, la inteligencia en tiempo real y Power BI sobre una base de datos compartida de OneLake. Ingenieros de datos, científicos de datos y analistas de negocios que usan Microsoft Fabric colaboran en el mismo entorno administrado.

La carga de trabajo de ciencia de datos Microsoft Fabric es la parte más relevante para el aprendizaje automático. Proporciona cuadernos de Spark, AutoML, una experiencia MLflow integrada para el seguimiento de experimentos y un registro de modelos. Para obtener información detallada, consulte ¿Qué es la ciencia de datos en Microsoft Fabric?.

Use Microsoft Fabric cuando necesite las siguientes funcionalidades:

  • Aprendizaje automático con analítica integrada. El aprendizaje automático forma parte de un flujo de trabajo de análisis más amplio en su solución, como la creación de un modelo en los datos de una instancia de LakeHouse y ofrecer predicciones para Power BI.

  • SaaS totalmente gestionado. Quiere una experiencia saaS totalmente administrada con una infraestructura mínima para administrar.

  • Base de datos común. Su equipo trabaja en todas las áreas de ingeniería de datos, ciencia de datos y BI sobre la misma base de OneLake.

En la tabla siguiente se resumen las funcionalidades de Microsoft Fabric que son más relevantes para el aprendizaje automático integrado con análisis.

Capacidad Descripción
OneLake foundation Un único lago de datos lógico compartido por cargas de trabajo de Microsoft Fabric, como ingeniería de datos, ciencia de datos, Data Warehouse y Power BI.
Carga de trabajo de ciencia de datos Un entorno de ejecución de Spark administrado con cuadernos para Python, R, SQL y Scala para el análisis y el entrenamiento de modelos. Incluye una experiencia de MLflow integrada para el seguimiento de experimentos y un registro de modelos. También puede registrar experimentos y modelos de MLflow en áreas de trabajo y plataformas, incluso en Microsoft Fabric desde un área de trabajo de Azure Machine Learning.
AutoML (aprendizaje automático automatizado) AutoML de código bajo para la clasificación, la regresión y la previsión. AutoML de código primero está disponible a través de las API de FLAML en cuadernos de Microsoft Fabric.
Real-Time Intelligence and Fabric Activator Análisis de streaming y detección de eventos sin código que pueden desencadenar canalizaciones, notebooks o acciones posteriores de Microsoft Fabric.
Puntos de conexión del modelo de Machine Learning Puntos de conexión REST en línea administrados que sirven predicciones en tiempo real de modelos de Microsoft Fabric registrados. Esta funcionalidad está en versión preliminar y se limita a un conjunto de tipos de modelos, pero se admiten modelos entrenados por AutoML. Para obtener información detallada, consulte Servir predicciones en tiempo real con puntos de conexión del modelo de Machine Learning.
integración de Power BI Un método para exponer resultados del aprendizaje automático a Power BI a través de modelos semánticos e informes, incluido Direct Lake cuando los datos de Microsoft Fabric permanecen en OneLake, y patrones de importación o DirectQuery cuando sea necesario. Utilice esta integración para incorporar predicciones, puntuaciones de anomalías y métricas de previsión en paneles empresariales y flujos de trabajo de decisión.
Integración de Microsoft Foundry Una manera de alimentar datos de Microsoft Fabric o salidas del modelo a una aplicación o agente basados en Microsoft Foundry, como un grounded copilot, un flujo de trabajo de resumen o una experiencia RAG. En la práctica, Microsoft Foundry puede conectarse a los datos de Microsoft Fabric a través de un agente de datos de Microsoft Fabric u otra conexión de datos compatible. A continuación, Microsoft Foundry puede usar ese contexto al generar respuestas del agente. Si la carga de trabajo solo necesita aprendizaje automático clásico dentro de Microsoft Fabric y no requiere LLMs o agentes, esta integración suele ser innecesaria.

En la tabla siguiente se resumen los detalles básicos de adopción de Microsoft Fabric.

Aspecto Details
Tipo Una plataforma de análisis SaaS unificada.
Idiomas compatibles Python, R, SQL y Scala.
Fases de aprendizaje automático Preparación de datos, entrenamiento, registro, puntuación por lotes, servicio en tiempo real (versión preliminar), análisis en tiempo real y consumo de BI.
Ventajas principales Una fundación compartida de OneLake. Baja carga operativa. Integración con Power BI y el ecosistema de datos más amplio de Microsoft.

Microsoft Fabric no es la mejor opción en la siguiente situación: necesita aprendizaje profundo a escala, MLOps integral con registros regulados o control detallado del cómputo. En estos casos, complemente Microsoft Fabric con Azure Machine Learning o Azure Databricks. Microsoft Fabric abarca bien el aprendizaje automático integrado en análisis, pero no es un reemplazo de una plataforma de aprendizaje automático dedicada.

Note

Microsoft Fabric es la plataforma recomendada para nuevas inversiones en aprendizaje automático integrado con análisis. Para inversiones existentes en Azure Synapse Analytics, consulte Aprendizaje automático en Azure Synapse Analytics. Para la migración del grupo de SQL dedicado a Microsoft Fabric Data Warehouse, consulte Fabric Migration Assistant para Data Warehouse.

Azure Databricks

Azure Databricks es una plataforma unificada de análisis abierto para crear, implementar, compartir y mantener soluciones de datos, análisis e inteligencia artificial. Combina las funcionalidades de almacenamiento de datos y lago de datos en una arquitectura de lakehouse y se integra con el almacenamiento y la seguridad de Azure.

Use Azure Databricks cuando necesite las siguientes funcionalidades:

  • Aprendizaje automático a escala de Spark. Debe ejecutar el aprendizaje automático en conjuntos de datos muy grandes o clústeres de Spark distribuidos.

  • Flujo de trabajo unificado para lakehouse. Combina la ingeniería de datos, la ingeniería de características, la experimentación y el desarrollo de modelos en un flujo de trabajo de Lakehouse.

  • Operaciones de aprendizaje automático en producción. Quiere implementar, administrar y supervisar soluciones de aprendizaje automático en producción mediante puntos de conexión de inferencia administrados, flujos de trabajo automatizados y canalizaciones de MLOps.

  • Gobernanza del catálogo de Unity. Quiere controlar los datos, las características, los modelos y las funciones de Unity Catalog, que proporciona control de acceso centralizado y linaje.

  • Inteligencia artificial generativa y agentes. Puede crear cargas de trabajo de IA generativa y agentes de IA en Azure Databricks, incluidos escenarios de modelos personalizados y fundacionales.

En la tabla siguiente se enumeran las funcionalidades de Azure Databricks importantes:

Capacidad Descripción
Integración administrada con proyectos de código abierto Incluye Delta Lake, OpenSharing, MLflow, Spark, Apache Spark Structured Streaming y El catálogo de Unity.
Azure Databricks Runtime para Machine Learning Ofrece bibliotecas preinstaladas para el aprendizaje automático clásico y el aprendizaje profundo, como Hugging Face Transformers.
tracking y modelos de MLflow en Unity Catalog Admite el seguimiento de experimentos, la administración del ciclo de vida del modelo y la detección gobernada de modelos.
Patrones de ingeniería de características y publicación de características Admite características de entrenamiento e inferencia reutilizables.
Azure Databricks Model Serving Ofrece puntos de conexión de inferencia administrados en tiempo real con escalado automático, implementaciones con versiones, controles de tráfico y supervisión de producción.
Pasarela de IA Proporciona gobernanza del acceso al modelo, seguimiento de uso y registro de payloads en modelos servidos y externos. Admite el desarrollo, evaluación y servicio de modelos personalizados o abiertos en un entorno de lakehouse.
Funciones de IA en SQL Proporciona una manera de que los analistas llamen a LLM desde canalizaciones de datos.
API de modelos fundacionales Integra modelos externos y proporciona patrones de acceso unificados en distintos proveedores de modelos.
Gobernanza del catálogo de Unity Proporciona una gobernanza unificada de datos, funciones, modelos y funciones a través de funcionalidades como RBAC y OpenSharing.
Análisis en streaming Ofrece análisis de streaming y en tiempo real a través de Structured Streaming y Delta Lake.
Lakeflow Jobs y MLOps Proporciona tareas y flujos de trabajo para canalizaciones automatizadas de entrenamiento, evaluación, implementación y reentrenamiento.

En la tabla siguiente se resumen los detalles básicos de la adopción de Azure Databricks.

Aspecto Details
Tipo Una plataforma lakehouse basada en Spark.
Idiomas compatibles Python, R, Scala y SQL.
Fases de aprendizaje automático Preparación de datos, entrenamiento, ajuste preciso, evaluación, servicio de modelos y gobernanza.
Ventajas principales Ciclo de vida de aprendizaje automático de un extremo a otro en un lakehouse. Integración nativa de MLflow. Serving administrado y operaciones. Gobernanza del catálogo de Unity. Compatibilidad con la inteligencia artificial generativa y el aprendizaje automático a escala de Spark.
Considerations El servicio de modelos sin servidor puede reducir la sobrecarga de infraestructura de inferencia, pero el costo de la preparación de datos basada en Spark, la ingeniería de características y el entrenamiento del modelo sigue siendo una consideración importante. En el caso de las cargas de trabajo que no son de Spark, es posible que las herramientas de Azure Machine Learning o Foundry Tools sean más sencillas.

Azure Databricks no es el mejor ajuste en las situaciones siguientes:

  • El equipo no necesita procesamiento a escala de Spark. En este caso, es posible que la sobrecarga del clúster no esté justificada.

  • El escenario usa IA basada exclusivamente en API. En este caso, Foundry Tools o Microsoft Foundry ofrece una ruta más directa.

  • Necesita controles de gobernanza específicos de Azure Machine Learning, funcionalidades de punto de conexión o un nivel de punto de conexión estandarizado en todos los equipos. En estos casos, use puntos de conexión administrados de Azure Machine Learning en un diseño híbrido.

Aplicaciones inteligentes de SQL y aprendizaje automático

La IA en la base de datos de SQL mantiene los datos relacionales regulados donde ya residen y agrega la predicción, recuperación de vectores e integración de puntos de conexión de IA directamente en Transact-SQL (T-SQL).

Utilice SQL in-database AI en las situaciones siguientes:

  • Los datos deben permanecer dentro de la base de datos relacional por motivos de seguridad, privacidad, latencia o normativa.

  • Necesita una evaluación de baja latencia próxima a las transacciones, como las comprobaciones de fraude o las decisiones sobre la siguiente mejor acción.

  • Desea realizar búsqueda vectorial y recuperación directamente en la base de datos para los patrones de RAG y coincidencia semántica.

  • Necesita la invocación nativa en la base de datos de endpoints de IA externos desde T-SQL para orquestación o flujos de trabajo invocables por agente.

En la tabla siguiente se enumeran las plataformas y herramientas actuales:

Capacidad Rol en la arquitectura
PREDICT en T-SQL Realiza la puntuación nativa en la base de datos para los modelos admitidos, incluidos los patrones de tiempo de ejecución basados en ONNX cuando están disponibles.
Tipo de datos vectorial y funciones vectoriales Almacena embeddings y realiza operaciones de similitud vectorial dentro del motor relacional.
sp_invoke_external_rest_endpoint Llama a puntos de conexión de IA externos desde T-SQL con credenciales, encabezados, opciones de reintento y controles de salida regulados.
Funciones de IA (Transact-SQL), incluidas AI_GENERATE_EMBEDDINGS Agrega operaciones de IA nativas de base de datos para la fragmentación, la generación de embeddings y flujos de trabajo de SQL AI relacionados.
servicios de Azure SQL Managed Instance Machine Learning Admite la ejecución en la base de datos de código de Python y R para cargas de trabajo de estilo Machine Learning Services existentes.

En la tabla siguiente se resumen los detalles básicos de adopción de aprendizaje automático de Azure SQL.

Aspecto Details
Tipo Funcionalidades relacionales de inteligencia artificial en base de datos para la predicción, la recuperación de vectores y la integración de endpoints de IA.
Idiomas compatibles T-SQL primero. Python y R están disponibles a través de Azure SQL Managed Instance Machine Learning Services.
Fases de aprendizaje automático Preparación de datos en base de datos, entrenamiento, inferencia, recuperación de vectores y orquestación de endpoints.
Ventajas principales Mantiene los datos transaccionales gestionados donde están. Reduce el movimiento de datos. Habilita el enriquecimiento con ia de baja latencia en los flujos de trabajo de SQL existentes.
Considerations La disponibilidad de las funcionalidades varía según la plataforma y la versión de SQL. Normalmente, el entrenamiento de modelos a gran escala y el aprendizaje profundo distribuido se controlan mejor en Azure Machine Learning, Azure Databricks o Microsoft Fabric.

Combine el aprendizaje automático de Azure SQL con otra plataforma cuando desee adoptar el siguiente enfoque:

  • Entrene externamente y puntúe en SQL. Para el entrenamiento a gran escala o aprendizaje profundo, use Azure Machine Learning, Azure Databricks o Microsoft Fabric para el entrenamiento. A continuación, vuelva a traer artefactos de inferencia a SQL para el scoring en la base de datos.

  • Entrena en la nube, implementa bases de datos, predice con SQL. Entrene externamente, exporte un artefacto de puntuación compatible con la plataforma SQL de destino y, a continuación, use PREDICT para ejecutar predicciones en SQL, cerca de los datos transaccionales.

  • Genere embeddings en SQL y llame a los endpoints para la generación. En escenarios de RAG y agente, genere embeddings y recuperación de vectores en SQL. A continuación, si necesita generar respuestas, use sp_invoke_external_rest_endpoint para llamar a puntos de conexión de modelo externos desde SQL.

Aprendizaje automático perimetral, local y en las instalaciones

Para el aprendizaje automático que se ejecuta fuera de la nube, en dispositivos locales, en entornos sin conexión, integrado en aplicaciones o dentro de la infraestructura local, Microsoft proporciona varias opciones.

Utilice el aprendizaje automático perimetral, local y en local cuando necesite las siguientes funcionalidades:

  • Inferencia local. Para cumplir los requisitos de latencia, operación sin conexión o privacidad de datos, el escenario necesita inferencia para ejecutarse localmente. Por ejemplo, las soluciones de mantenimiento predictivo en entornos con conectividad intermitente requieren inferencia local.

  • La capacidad de insertar el aprendizaje automático en aplicaciones. Desarrolla aplicaciones móviles o de escritorio que necesitan funcionalidades de aprendizaje automático insertadas.

  • Ejecución local. El escenario necesita que la ejecución del aprendizaje automático permanezca dentro de un entorno local, como una implementación de SQL Server local.

Microsoft proporciona estas opciones:

  • Microsoft Foundry en Windows incluye Windows ML para la inferencia local en dispositivos Windows con aceleración de hardware entre CPU, GPU y NPUs. Usa Windows ML para cargas de trabajo de inferencia de nuevas aplicaciones y dispositivos Windows.

  • ML.NET es un marco de aprendizaje automático multiplataforma de código abierto para desarrolladores de .NET. Admite la carga de datos, el entrenamiento (incluido AutoML para .NET) y la inferencia local. Use ML.NET cuando la aplicación necesite entrenamiento o inferencia de modelos nativos de .NET, incluida la integración del modelo ONNX.

  • SQL Server Machine Learning Services admite el entrenamiento y la evaluación dentro de SQL Server local cuando los datos deben permanecer en el nivel de datos local.

  • Foundry Local es una solución de inferencia de IA en el dispositivo que amplía Microsoft Foundry a escenarios perimetrales y sin conexión.

  • Azure Local proporciona infraestructura administrada por Azure para máquinas virtuales (VMs) locales y contenedores. Úselo para hospedar componentes de IA en el borde cerca de los datos, como cargas de trabajo de Foundry Local, componentes de recuperación rag o modelos ONNX exportados desde Azure Machine Learning.

  • El proceso de cómputo de Kubernetes para Azure Machine Learning asocia clústeres de Kubernetes habilitados para Azure Arc a un área de trabajo de Azure Machine Learning para que los clústeres locales o multinube ejecuten el entrenamiento y la inferencia mientras la orquestación permanece en Azure.

  • Azure IoT Edge implementa modelos de aprendizaje automático en contenedores en dispositivos perimetrales para que la inferencia se ejecute localmente.

  • Azure Stack Edge proporciona dispositivos perimetrales administrados Microsoft que puede usar para el aprendizaje automático acelerado por hardware y las cargas de trabajo en contenedores o máquinas virtuales. Los dispositivos solo están disponibles para cargas de trabajo de socios validadas o implementaciones de al menos 100 nodos.

Un patrón típico entrena un modelo exportable en la nube mediante Azure Machine Learning o Azure Databricks. A continuación, el modelo se convierte en ONNX cuando el modelo y el tiempo de ejecución de destino admiten ese formato. Por último, el modelo se implementa para la inferencia perimetral a través de Windows ML, ML.NET, un módulo de Azure IoT Edge, Foundry Local o infraestructura de Azure Local.

Combinar plataformas

Las soluciones de producción pueden combinar más de una plataforma. El árbol de decisión de Restringir la elección de la plataforma le ayuda a elegir una plataforma principal de inicio. Use la tabla siguiente para planear arquitecturas compuestas e identificar los componentes de Microsoft de soporte que normalmente requiere cada escenario.

Escenario combinado Plataforma principal Compatibilidad de componentes de Microsoft Pattern
Rag empresarial o chat-with-your-data Microsoft Foundry Búsqueda de Azure AI (y Foundry IQ para fundamentación), Azure Document Intelligence (ingesta), Microsoft Fabric o Azure Cosmos DB (almacén de datos), Seguridad del contenido Ingeste contenido empresarial, indícelo para la recuperación vectorial e híbrida y fundamente en él un agente o una aplicación LLM hospedados en Microsoft Foundry. Para ver las opciones del almacén de datos, consulte Elegir un servicio de Azure para la búsqueda de vectores.
Inteligencia artificial generativa sobre analítica gobernada Microsoft Fabric Microsoft Foundry (agentes, modelos), Power BI (consumo), Búsqueda de Azure AI Use Microsoft Fabric para ingerir y almacenar datos regulados en OneLake. A continuación, cree agentes o aplicaciones RAG en Microsoft Foundry sobre esos datos. Muestra los resultados en Power BI.
Aprendizaje automático personalizado enriquecido con características de IA precompiladas Azure Machine Learning Azure Vision, Azure Document Intelligence, Azure Speech, Azure Language, Búsqueda de Azure AI Use las herramientas de Foundry para el preprocesamiento, la extracción o la recuperación de características y Azure Machine Learning para entrenar, implementar y controlar el modelo personalizado que se basa en esas características.
Entrenamiento a escala de Spark con servicio administrado Azure Databricks Azure Databricks Model Serving, MLflow, Unity Catalog, Azure Machine Learning opcional (gobernanza o estandarización de puntos de conexión) Ejecute la ingeniería de características y el entrenamiento distribuido en Azure Databricks. A continuación, use Azure Databricks Model Serving para implementar y servir modelos entrenados. Agregue puntos de conexión administrados de Azure Machine Learning cuando necesite gobernanza específica de Azure Machine Learning o normalización de puntos de conexión entre equipos.
Entrena en la nube, despliegue en el edge Azure Machine Learning o Azure Databricks ONNX (intercambio de modelos), Windows ML, ML.NET, Foundry Local, Azure IoT Edge, Azure Local, Azure Stack Edge Entrene un modelo exportable en la nube, conviértalo en ONNX cuando se admita e impleméntelo en dispositivos, puertas de enlace locales o dispositivos de edge acelerados por hardware para la inferencia sin conexión o de baja latencia.
Aprendizaje automático híbrido en entorno local y en la nube Azure Machine Learning en Azure Arc clústeres de Kubernetes habilitados para Azure Arc, un área de trabajo de Azure Machine Learning, Container Registry, Key Vault Mantenga los datos en el entorno local al usar un espacio de trabajo de Azure Machine Learning conectado a Kubernetes habilitado para Azure Arc para orquestar el entrenamiento y la inferencia.
Puntuación en base de datos con modelos entrenados en la nube Aprendizaje automático de SQL Azure Machine Learning o Azure Databricks (entrenamiento), ONNX, SQL Managed Instance o SQL Server Entrene en la nube, exporte a ONNX y use la función SQL PREDICT para la puntuación de baja latencia en la base de datos junto a los datos operativos.
Automatización multiagente Microsoft Agent Framework and Foundry Agent Service Foundry Models, Foundry IQ, Búsqueda de Azure AI, Azure Functions o Azure Logic Apps (herramientas), Azure API Management Cree flujos de trabajo de varios agentes en el código mediante Microsoft Agent Framework, use Foundry Agent Service para hospedarlos y orquestarlos e integrar herramientas y API empresariales.

Plataformas y herramientas de desarrollo

La mayoría de los equipos usan herramientas de desarrollo transversales y servicios auxiliares junto con la plataforma que eligen como principal. Estas herramientas influyen en dónde se desarrolla, prueba y empaqueta el trabajo de inteligencia artificial y aprendizaje automático antes de ejecutarse. Los servicios auxiliares influyen en dónde se hospeda la inferencia o dónde la capacidad de cómputo se acerca a los datos que no se pueden mover a una plataforma en la nube administrada.

En esta sección se separan las herramientas de desarrollo principales, que son las plataformas operativas y de desarrollo diarias, de los servicios auxiliares adyacentes que hospedan la inferencia autoadministrada, aceleran el aprendizaje automático basado en Spark o amplían el entrenamiento y la puntuación a la infraestructura local.

Las siguientes herramientas admiten el desarrollo en la nube y en las plataformas locales.

Herramienta Descripción
Kit de Herramientas Foundry para Visual Studio Code Una experiencia de desarrollador en VS Code para desarrollar, probar, depurar, evaluar e implementar aplicaciones y agentes de IA generativa. Admite modelos locales, catálogos de modelos, desarrollo de agentes, integración de herramientas, seguimiento y evaluación.
Portal de Foundry Un entorno web para el trabajo de prueba de concepto, la exploración de modelos, la administración de recursos del proyecto, la revisión de evaluación y la visibilidad operativa en las aplicaciones y agentes de Microsoft Foundry.
Estudio de Azure Machine Learning Interfaz de usuario web para la plataforma Azure Machine Learning. Incluye notebooks, el diseñador de canalización, AutoML, la administración de modelos y el etiquetado de datos.
Azure Data Science Virtual Machine Imagen de máquina virtual preconfigurada con herramientas de ciencia de datos, como Jupyter, R y Python preinstaladas.
ML.NET Un marco de aprendizaje automático multiplataforma de código abierto para aplicaciones .NET.
Microsoft Foundry en Windows Windows ML para la inferencia de modelos locales acelerados por hardware en dispositivos Windows.
SynapseML Un marco de aprendizaje automático y microservicios distribuidos de código abierto para Spark.

Los servicios auxiliares adyacentes ayudan con la experimentación, el hospedaje de inferencia autoadministrado, el aprendizaje automático basado en Spark o la operación híbrida, pero no son las opciones principales de la plataforma en el flujo de decisión.

Service Rol en el ecosistema de aprendizaje automático e inteligencia artificial
Azure Kubernetes Service (AKS) y Azure Container Apps Soluciones para hospedar contenedores de inferencia autoadministrado en Azure. Use Container Apps para el alojamiento de contenedores administrados más sencillo o AKS cuando necesite más control sobre el runtime de servicio y el clúster de servicio. Entre los ejemplos comunes se incluyen pilas de servicio de código abierto como vLLM, Triton Inference Server o BentoML.
SynapseML Un marco de microservicios y aprendizaje automático distribuido de código abierto para Spark. Funciona en Azure Databricks, Microsoft Fabric y otros clústeres de Spark.
aprendizaje automático habilitado para Azure Arc Solución para asociar clústeres de Kubernetes locales o multinube a un área de trabajo de Azure Machine Learning para el entrenamiento e inferencia híbridos.

Colaboradores

Microsoft mantiene este artículo. Los siguientes colaboradores escribieron este artículo.

Autor principal:

Para ver los perfiles no públicos de LinkedIn, inicie sesión en LinkedIn.

Pasos siguientes

  • Se actualizó por última vez el