Microsoft productos de inteligencia artificial y aprendizaje automático

Microsoft ofrece varias plataformas para inteligencia artificial y aprendizaje automático. Cada plataforma tiene como destino una combinación diferente del público, la carga de trabajo, la base 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.

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 asignan escenarios de características comunes a 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.

Comparación de las funcionalidades de la plataforma

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

• ✅ Funcionalidad principal
• ⚠️ Funcionalidad compatible o complementaria
• ❌ No es un foco

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 los servicios como Búsqueda de Azure AI, seguridad de contenido en el plano de control de Foundry y Azure Inteligencia de documentos en Foundry Tools son bloques de creación comunes para las soluciones rag y agente. La plataforma principal para el desarrollo de ia generativa es Microsoft Foundry.

• Microsoft gobernanza de 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 los modelos foundry, los puntos de conexión administrados, las funcionalidades de evaluación y el ajuste adecuado para los modelos de base admitidos. No es la plataforma principal para el desarrollo de ia generativa.

• Azure Databricks obtiene una clasificación 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 almacenes de lago 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 Microsoft Fabric los puntos de conexión del modelo de aprendizaje automático 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 una amplia producción en línea, también puede emparejar Microsoft Fabric con puntos de conexión en línea administrados 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 locales para el entrenamiento híbrido o la puntuación.

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

Restringir la elección de la plataforma

Use 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.

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 características.

   Tome decisiones de plataforma en el nivel de característica dentro de la carga de trabajo. Cada característica puede tener requisitos funcionales y no funcionales únicos que pueden servir una o varias tecnologías. 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 confirmar 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:
     • Azure Vision en Foundry Tools
     • Azure Speech en las herramientas de Foundry
     • Lenguaje de Azure en Foundry Tools
     • Búsqueda de Azure AI
     • Azure inteligencia de documentos en herramientas de foundry
     • Azure content Understanding in Foundry Tools
     • Seguridad del contenido en la plataforma de control de Foundry
   • 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 inteligencia artificial y los agentes generativos, elija la plataforma de Microsoft que coincida con el perfil de desarrollador.

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

   • Agente primero de código o desarrollo de varios agentes: use el SDK de Microsoft Agent Framework emparejado con el Servicio de agente foundry para hospedar y orquestar.

   • Plataforma completa de inteligencia artificial generativa (Modelos foundry, ajuste preciso, 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.

   • En una aplicación o dispositivo de Windows: use Microsoft Foundry en Windows y Windows ML para la inferencia del modelo local con aceleración de hardware. Use ML.NET cuando una aplicación de .NET necesite el aprendizaje automático clásico local, AutoML o la integración del modelo open Neural Network Exchange (ONNX).

   • En una puerta de enlace de IoT o dispositivo perimetral: use Azure IoT Edge, Foundry Local, Azure Local o Azure Stack Edge para la inferencia acelerada por hardware o local.

   • Dentro de una base de datos SQL: use aplicaciones inteligentes de SQL e inteligencia artificial para la predicción en base de datos, la recuperación de vectores y la integración de puntos de conexión de IA. Use SQL Server Machine Learning Services o Azure SQL Managed Instance Machine Learning Services cuando necesite ejecutar Python o R en la base de datos.

   • En un clúster de Kubernetes local o multinube: conecte el clúster a Azure Machine Learning a través de Azure Arc para que los datos permanezcan en su lugar mientras el entrenamiento y la inferencia se orquestan a través de Azure.

   • En el proceso distribuido o basado en Spark: continúe con el paso 5.

   • En el proceso administrado en la nube con MLOps completo: use Azure Machine Learning.

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

   • SaaS unificado con Power BI en OneLake: use la carga de trabajo de ciencia de datos de Microsoft Fabric.

   • Inversión de Azure Synapse Analytics existente: use el aprendizaje automático en Azure Synapse Analytics. Para las nuevas inversiones, prefiera Microsoft Fabric.

   • Aprendizaje automático y Spark a escala de Lakehouse: use Azure Databricks.

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

   • Lakehouse con la gobernanza del catálogo de MLflow y Unity: use Azure Databricks. Todavía puede publicar modelos a través de Azure Machine Learning puntos de conexión administrados para servir y gobernanza.

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

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 a través de la implementación, MLOps y la inteligencia artificial responsable.

Use Azure Machine Learning cuando necesite las siguientes funcionalidades:

• Entrenamiento personalizado. 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.

• Puntos de conexión administrados. Los 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.

• Proceso híbrido. 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.

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

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

• Solo tiene que consumir API previamente entrenadas para la visión, la voz o el lenguaje. En este caso, use Las herramientas de Foundry.

• 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.

• La carga de trabajo es ia generativa de un extremo a otro (selección de modelos, orquestación del agente, evaluación, implementación y supervisión). Además, no necesita entrenamiento de aprendizaje automático clásico ni el recurso de Azure Machine Learning, ejecución y modelo de MLflow. En este caso, Microsoft Foundry solo puede ser suficiente. Solo se requiere un área de trabajo de Azure Machine Learning cuando necesite Azure Machine Learning proceso de entrenamiento, 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 de código primero, Microsoft Foundry pares con Microsoft Agent Framework, el SDK de Microsoft unificado que reemplaza la división anterior entre Kernel semántico y AutoGen.

Use Microsoft Foundry cuando necesite las siguientes funcionalidades:

• Inteligencia artificial o agentes generativos. Puede crear soluciones generativas basadas en ia o agente, como bots de chat multimodelo o flujos de trabajo llM orquestados.

• Detección y evaluación de modelos. Debe poder detectar, comparar y evaluar modelos básicos de varios proveedores.

• Personalización y gobernanza del modelo. Quiere ajustar, 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.

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 local para aplicaciones y agentes de ia generativa. El kit de herramientas admite la detección de modelos, la ejecución del modelo local, el desarrollo de mensajes y agentes, la integración de herramientas, la depuración, el seguimiento, la evaluación, el ajuste 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. Use 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 después de ejecutar aplicaciones y agentes.

Portal de foundry y Estudio de Azure Machine Learning

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 evaluación y la visibilidad operativa.

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

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

• Las 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 requieren selección, orquestación o agentes del modelo. En este caso, use Las herramientas de Foundry.

• 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 un amplio proceso de entrenamiento aprovisionado 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 inteligencia artificial previamente entrenadas que se consumen a través de las API REST y los SDK. Cada herramienta tiene como destino una funcionalidad específica, por lo que puede agregar características inteligentes a las aplicaciones sin compilar o entrenar un modelo personalizado. Para obtener ayuda para decidir qué servicio usar, consulte Elección de una tecnología de servicios de INTELIGENCIA ARTIFICIAL.

Use 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 API estándar, administradas e integración basada en API con aplicaciones existentes.

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

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

• Procesamiento de imágenes y vídeos
• Procesamiento de lenguaje de destino
• Reconocimiento y generación de voz
• Búsqueda de vectores
• Tecnología de servicios de inteligencia artificial

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

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 ajustar 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 la Power BI en una base de datos de OneLake compartida. Ingenieros de datos, científicos de datos y analistas de negocios que usan Microsoft Fabric colaborar 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 integrado en análisis. El aprendizaje automático forma parte de un flujo de trabajo de análisis más amplio en la solución, como la creación de un modelo en los datos de una instancia de LakeHouse y el servicio de predicciones para Power BI.

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

• Base de datos compartida. Su equipo trabaja en ingeniería de datos, ciencia de datos y BI en la misma base de OneLake.

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

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

Microsoft Fabric no es la mejor opción en la siguiente situación: necesita aprendizaje profundo a escala, MLOps integral con registros regulados o control de proceso específico. 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.

Azure Databricks

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

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 de Lakehouse. Puede combinar 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 de producción. Quiere implementar, administrar y supervisar soluciones de aprendizaje automático en producción mediante puntos de conexión de servicio 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 del catálogo de Unity, que proporciona control de acceso centralizado y linaje.

• Inteligencia artificial y agentes generativos. Puede crear cargas de trabajo de agente de INTELIGENCIA ARTIFICIAL e inteligencia artificial generativas en Azure Databricks, incluidos escenarios de modelo personalizado y básico.

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

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

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 inteligencia artificial puramente controlada por API. En este caso, Foundry Tools o Microsoft Foundry ofrece una ruta más directa.

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

Aplicaciones inteligentes de SQL y aprendizaje automático

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

Use 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 puntuación de baja latencia cerca de las transacciones, como las comprobaciones de fraude o las decisiones de acción más próximas.

• Desea buscar y recuperar vectores directamente en la base de datos para los patrones de coincidencia semántica y RAG.

• Necesita la invocación nativa de base de datos de puntos de conexión 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:

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

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

• Entrenar externamente, puntuar 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 la puntuación en la base de datos.

• Entrenamiento en la nube, implementación de base de datos y predicción de 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 incrustaciones en SQL y llame a los puntos de conexión de generación. En escenarios de RAG y agente, genere incrustaciones 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 local

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

Use el aprendizaje automático perimetral, local y 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. Cree aplicaciones móviles o de escritorio que necesiten 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. Use Windows ML para las nuevas cargas de trabajo de inferencia de dispositivos y aplicaciones de 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 .NET entrenamiento o inferencia de modelos nativos, incluida la integración del modelo ONNX.

• SQL Server Machine Learning Services admite el entrenamiento y la puntuación dentro del 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 Azure para máquinas virtuales locales y contenedores. Úselo para hospedar componentes de inteligencia artificial perimetral cerca de los datos, como cargas de trabajo locales de Foundry, componentes de recuperación rag o modelos ONNX exportados desde Azure Machine Learning.

• El proceso 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 e 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 asociados 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 Azure Local infraestructura.

Combinación de plataformas

Las soluciones de producción pueden combinar más de una plataforma. El diagrama de flujo anterior en este artículo le ayuda a elegir una plataforma de inicio principal . Use la tabla siguiente para planear arquitecturas compuestas e identificar los componentes de Microsoft compatibles que normalmente requiere cada escenario.

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 que se ejecute. Los servicios auxiliares influyen en dónde se hospeda la inferencia o dónde se adjunta el proceso 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.

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.

Colaboradores

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

Autor principal:

• Mahdi Setayesh | Ingeniero principal de software

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

Pasos siguientes

• ¿Qué es Azure Machine Learning?
• Documentación de Microsoft Foundry
• ¿Qué es Microsoft Fabric?
• ¿Qué son las herramientas de fundición?
• Funcionamiento de Azure Machine Learning
• IA de Microsoft
• Microsoft aprendizaje para ingenieros de inteligencia artificial y científicos de datos

Recursos relacionados

• Elección de una tecnología de servicios de inteligencia artificial
• Elección de un servicio de Azure para la búsqueda de vectores
• Introducción a la tecnología de inteligencia artificial